应用落地适合做需要“精确感知+外部知识+数值计算”的视觉问答产品：密集物体计数、商品/长尾实体识别并联网核实、多图空间度量（如两物体中心距离 1.1957 m 的例子）。前置条件是有 SAM 3、Depth Anything 3、PaddleOCR-VL 的 GPU 部署和 Serper 搜索 key，且骨干要具备较强的工具使用能力；8B 级模型在空间/通用 VQA 上收益不稳定（甚至 FREAK-VQA 低于 Base）。成本方面 Luna 中档约 $0.92/千题（不含工具和判分开销）。

研究跟进开放问题有：高于 100 个目标时计数仍基本未解（FSC-147 >100 档仅 6.5% 以下）；harness 在通用 VQA/空间任务上对弱骨干有“被搞坏”风险（8B 无工具题上 −1.8，每模型 700–2,146 题变差），可研究何时调用工具的门控；图像句柄带来的增益来源（视觉可见 vs 可引用）尚未解耦；harness search 与 tool generation 目前靠人工看失败分布来选，可做自动路由；还可与 RL 训练工具策略结合。

可复用方法①“制品注册表+句柄+每轮 Environment Update”：不把大数组塞进上下文，只暴露名称和类型/形状描述，让代码在真实绑定上执行。②每个工具配输出渲染器，输出“带标注图+文字+坐标归一化到 0–1000”。③梯式消融的预设（minimal schema/raw dump → 完整 schema/后处理 → 文本记忆 → 图像记忆），方便定位收益来源。④失败归因：用强模型对失败轨迹打标签（人工一致率 92%/100 条），再映射到“改 prompt”还是“加新工具”两条优化通道。⑤评估时用成本匹配的推理强度扫描来回应“只是多花算力”的质疑。

背景 多模态大模型在许多任务上缺少仅靠内部推理就能得到的证据（密集计数、长尾实体检索、精确 3D 度量）。已有视觉工具智能体要么依赖训练、绑定固定工具协议，要么（Visual Sketchpad、OctoTools）工具接口和输出格式靠手工设计，且工具产出的中间制品（掩码、深度图）无法跨轮复用。论文要回答的问题是：更好的证据获取与复用，能否比增加推理预算带来更多收益。

方法 提出训练免费的 harness：（1）能力层：9 个任务级接口（Zoom-in、Visual Grounding[SAM 3]、OCR[PaddleOCR-VL]、Depth/Camera Pose[Depth Anything 3]、文本/图像搜索与网页访问[Serper]、Python Coding Agent），每个工具带输出渲染器，把 RLE 掩码、深度数组等转为“标注图+简短文字+紧凑结构化信息”；（2）持久多模态记忆：每个 query 维护制品注册表（图像、结构化数据绑定、网页引用），用句柄引用，每轮通过 Environment Update 公布可用句柄；Coding Agent 在真实绑定值上执行代码。在 4 大类 22 个基准上，用 8 个开源/闭源骨干（Qwen2.5/3-VL、Kimi K3、GPT-5、GPT-6 Luna/Sol/Astra）对比无工具基线、OctoTools、Visual Sketchpad、Codex 及三种训练型方法。另做推理强度扫描（5 档、每档 26,229 题）、梯式消融、失败归因（Kimi K3 批注 9,893 条失败轨迹）以及 harness search / tool generation 两种自动专门化流程。

• 平均分提升：Qwen3-VL-8B 34.24→45.41（+11.2），32B 38.30→50.92（+12.6），GPT-6 Astra 60.27→70.17，GPT-6 Sol 52.67→64.31，Kimi K3 56.43→66.09，GPT-5 44.37→55.65 (Table 1/7, p.6, p.25)
• GPT-6 Luna 推理强度扫描：OpenVLHarness 中档 56.52（$0.92/千题），高于 Base、Codex、Visual Sketchpad 在 max 档的 48.04/48.58/48.84（后三者成本 $3.17/$2.52/$5.15）；OpenVLHarness 自身从 medium 到 max 升至 60.12 (Table 2/13, p.7, p.32)
• Codex 在 Luna 上平均 43.8，低于无工具基线 45.8；Qwen3-VL-8B/32B 上也低于 Base（31.42 vs 34.24；36.46 vs 38.30），且其沙箱在 Qwen 实验中无法启动 shell (p.7, p.36)
• 消融（Qwen3-VL-8B/32B 总体）：无工具 37.06/41.29 → 原始工具 40.84/45.61 → +能力层 44.23/48.80 → +文本记忆 44.93/49.12 → 完整多模态记忆 47.14/52.51；图像句柄这一步 +3.1/+4.5 (Table 3, p.8)
• 训练型基线对比（Qwen2.5-VL-7B）：OpenVLHarness 33.45 vs PixelReasoner 28.02、AdaReasoner 25.29、DeepEyesV2 25.02；但在 RealWorldQA、V*、EmbSpatial 上训练型方法更好 (Table 9, p.27)
• 专门化：Qwen3-VL-8B 上 harness search 使 ERQA +4.1、RealWorldQA +3.7，tool generation 使 SparBench +8.2、FREAK-VQA +4.5，反向则接近 0 或为负 (Fig.4d, p.10)
• 配对分析：各模型净提升 +6.2~+10.1，但每个模型都有 700–2,146 题被“搞坏”，对应救回 2,336–4,649 题；Image Search 调用题上提升 18.9–27.1 分 (Table 5/6, p.22–23)

单个组件并不新：工具封装、Python 变量式中间结果传递（ReWOO、CodeAct、HuggingGPT）、Visual Sketchpad/OctoTools 式免训练工具调用都已有。真正的增量在于：把“图像也作为可寻址句柄”做进统一注册表，并用梯式消融给出证据（图像句柄贡献最大的一步），再加上规模较大的、成本匹配的推理强度对照（含 Codex 作为通用编码智能体基线）。其工程价值大于方法论突破；自动 harness 专门化只是在 4 个数据集上的演示。

总体证据较扎实：22 个基准、8 个骨干、与 Visual Sketchpad/OctoTools/三种训练型方法对比，有梯式消融、配对分析、空控制组（无工具题差值 −1.8~+1.8），并诚实报告了被搞坏的题数。弱点：（1）GPT-6 系列和 Kimi K3 均为单次运行，无方差，Qwen 三次平均；多个子差距小于 1 分，难以判断显著性。（2）Codex 基线较弱：Luna 上仅 0.16%–6.17% 的题会真正执行代码，Qwen 实验中沙箱无法启动 shell，作者也承认只测了 agent loop，因此“通用编码智能体不如专用 harness”的结论被夸大。（3）训练型基线只在 Qwen2.5-VL-7B 上比，且搜索方面“它们在我们设置里没有网络检索”，对比不对等；OdinW 上 Qwen2.5-VL-7B 仅 7.80 AP。（4）消融使用每集最多 500 题的子采样，且“能力层”把工具接口和渲染合在一起，无法分离各自贡献；评测依赖 GPT-4o 判分和 SAM 3 等强专家模型，成本不含工具开销，“≤37% 成本”只算模型 token。（5）参考文献含多个未来年份的模型/论文，真实性无法核实。核心优势在检索/计数类任务，在 RealWorldQA、V*、EmbSpatial 上收益很小。

✅ 官方资源 · https://github.com/uclanlp/OpenVLHarness
官方 GitHub 仓库（MIT 许可，已有内容，约 79 星）。论文称开源 harness、工具、评测协议和两个优化工作流。无需训练，不涉及新权重；复现需要部署 SAM 3、Depth Anything 3、PaddleOCR-VL、Qwen3-VL-8B 做搜索摘要，以及 Serper 搜索 API 和 GPT-4o 类判分，闭源骨干需 API 费用（强度扫描共 524,580 次提问）。

应用落地可做成新闻/社媒图片核查助手或内容审核的辅助工具：输入单张图，自动搜索并给出带引用的支持/驳斥报告，适合事实核查编辑和平台审核团队。前提是有Serper、Jina Reader、百度OCR等外部API，且单案例最多24步工具调用，成本和延迟较高；对时效性强的事件依赖搜索引擎覆盖，现阶段SESR约52%，只适合作为人工复核的前置筛选而非自动裁决。

研究跟进开放问题包括：基准中受控生成的refuted图占大多数（测试集1,005/1,150），分布与真实世界谣言图差距多大，仅在web子集上（145 refuted）的结论更可信；SESR依赖Gemini 3.7 Flash评判，且同一模型参与PSD提示/审核，需要人类校准和多评判器一致性检验；PSD相对SFT的增益极小，需多种子、置信区间与对照（如直接用hint-free拒绝采样微调、DPO/RL）来验证；还可探索用RL直接优化SESR，以及搜索引擎被污染（AI图转载）时的鲁棒性。

可复用方法可搬走的有：(1) 加权SFT损失（工具调用与最终报告token权重2、推理1、工具观察0）；(2) 教师轨迹过滤——要求轨迹结构完整且观察支撑结论，每图最多3次rollout；(3) PSD的‘最早可恢复错误’定位+不泄露答案的过程提示+通过审核才蒸馏，并混入‘保持’样本防遗忘；(4) 用‘判定正确且证据充分’的SESR代替单纯准确率，防止模型靠偏置（如全判refuted）刷分；(5) 评测时屏蔽事实核查网站防泄漏。附录E给出了完整prompt可直接参考。

背景 现有工作要么检测图像是否AI生成，要么在给定文字声明的前提下做事实核查（如AVerImaTeC、DEFAME）。但现实中很多图片没有配套声明，真假取决于其所描绘的事件、时间、地点、数字是否与外部记录一致，与图片是否AI生成无关。本文提出“图像事实性评估”任务：只给图像和通用指令，要求输出supported/refuted判定及证据支撑的解释。

方法 1) 构建EviLens基准：10,174张图（3,114 supported/7,060 refuted），共12类事实错误，分三大类；来源包括受控生成（Nano Banana Pro等，由策展agent基于事实材料生成并经两位专家+第三位仲裁审核）和网络收集（含事实核查来源）；训练集8,647张、测试集1,527张。2) EviScene是单策略ReAct多模态agent，含视觉检查、网页搜索、文搜图、反向图搜、读网页、与参考图比较等工具，最多24步，最后输出带引用的报告。3) 训练：先用Qwen3.5-397B-A17B教师生成4,872条经审核轨迹，对Qwen3.5-9B做全参SFT（工具调用和报告token权重2，推理1，观察0，3 epoch，lr 1e-5）；再做特权式在策略自蒸馏（PSD）：Gemini 3.7 Flash定位最早可修复的决策点并写不泄露答案的过程性提示，冻结策略带提示续跑，通过验证后让学生在无提示上下文下匹配教师top-20 token分布（LoRA r=32）。4) 评测：BAcc、Macro F1、类别召回、SESR（判定正确且证据充分），由Gemini 3.7 Flash对照私有参考材料打分。

• Qwen3.5-9B完整策略（SFT+PSD）在1,527张测试图上BAcc 79.05%、SESR 52.26%，比同骨干Base agent分别高6.71和9.37个百分点，SESR为所有评测agent最高（摘要；表1 p.7）
• 五个共享骨干上，agent化使SESR比直接判断提升27.11–46.82个百分点；Qwen3.5-9B从1.70%升至Base agent的42.89%（未经训练）；Gemini 3.1 Pro的BAcc基本不变（62.58→62.42）（p.8）
• 相比Qwen3.5-397B-A17B agent，9B完整策略BAcc高7.33、SESR高8.97个百分点（p.9）
• 训练阶段：SFT使BAcc 72.34→78.81、SESR 42.89→50.49，并把支持/反驳召回差从42.29缩到4.83；PSD再增BAcc仅0.24、SESR 1.77，Macro F1反而从75.69降到74.67（p.9）
• 工具消融：去掉网页搜索BAcc/SESR降4.68/16.37点，去掉图像检索降4.53/12.25，去掉证据检查（visit+比较）降2.50/6.22（表3 p.9）
• 直接判断下最强模型GPT-5.5 BAcc 75.87但SESR仅3.67；Gemini 3.7 Flash agent BAcc 81.57高于9B完整策略的79.05（表1 p.7）

任务定义（无声明、图像中心、与生成来源无关的事实性）和带“证据充分性”指标的基准是主要新意；12类错误分类也比较系统。方法上ReAct+工具、SFT轨迹蒸馏都是成熟配方，PSD是对外部博客想法（Sleiman 2026）的应用，增量很小。真正有价值的是证明“检索增强的agent流程”能把证据充分性从个位数拉到50%左右，而不是方法创新本身。

主要问题：1) 评判器Gemini 3.7 Flash既用于SESR打分又用于PSD的定位/提示/审核，存在循环偏置风险，且Gemini 3.7 Flash agent本身也被它评分；未报告人类校验或评判一致性。2) 测试集仅1,527张，其中受控生成占1,238张且refuted占大头；class不平衡，报告的差异（如PSD比SFT高0.24 BAcc、1.77 SESR）无置信区间、无多种子，基本在误差范围内，Macro F1还下降，因此‘SFT+PSD’中PSD的贡献证据薄弱。3) 受控图由与训练同分布的流程生成，且生成器（Nano Banana Pro）用于训练，虽有两个未见生成器的泛化分析，但这些仍属同一数据构造管线。4) 自建基准+自评指标；Gemini 3.7 Flash agent的BAcc（81.57）高于最终9B模型，‘最高SESR’的声明只在SESR上成立。5) 缺少与DEFAME等已有agent框架的直接对比，baseline主要是同骨干直接判断，直接判断的SESR几乎为0，与agent比较天然不对称（直接判断没有检索）。6) 许多事件依赖2026年的网络信息，结果可能随搜索结果变化而不稳定。优点是做了工具消融、按来源/生成器拆分并给出完整prompt与超参。

✅ 官方资源 · https://github.com/wangzian828/EVISCENE
官方GitHub仓库已存在（Apache-2.0，28星，10-14有提交）。论文称接收后会开源数据集（图片、标签、证据记录、划分）、构建/训练/评测代码、prompt与训练轨迹及全部模型权重，HF页面为ZiAnwang/EviScene；我未能核实数据与权重是否已全部上传。复现需4×H20做SFT/PSD，评测需Serper、Jina、百度OCR及Gemini/GPT等付费API。

应用落地适合自部署 Qwen3 类模型做 Agent 服务（代码修复、长文档记忆、多轮工具调用）的团队，用来降低长上下文低接受率的问题。去掉草稿 KV 后，多轮前缀缓存管理也更简单。前提是需要为自己的目标模型重新训练草稿模型（作者用 32 张 H800 训练约 16 个 epoch 的阶段总量），并且服务栈要能支持提取目标模型多层隐藏状态。论文只做了 4B/8B 的稠密模型，MoE 或更大模型目前没有证据。

研究跟进开放问题包括：隐藏状态只含 64K 上下文的压缩信息，当上下文到 128K 以上、或需要精确复制长文本片段（如代码补丁）时，局部预测是否仍然足够；能否在 30B+ 或 MoE 模型上复现；与 DSpark 的置信度调度、树状验证等结合会有多少叠加收益；EAGLE-3 在 Agent 任务上的接受长度比 DFlash 更稳定，说明自回归草稿可能也适合做无历史化。另外教师—学生两阶段为何有效，论文缺少理论或更细致的分析。

可复用方法1) 多层目标隐藏状态按序列维度拼接并加 depth embedding，优于特征维度拼接（3.30 对 3.04），层数 14 左右即饱和。2) 低秩序列头（rank 约 D/8）在隐藏空间做块内依赖恢复，再做一次词表投影。3) 训练时用有历史的同构教师做 KL 过渡，再换成目标模型的 CE+TV。4) 评测时单独统计草稿 KV 维护开销，并在并发 1~64 下分别报告 TPS，这个测法值得借鉴。

背景 推测解码用小草稿模型提出候选 token，再由目标模型一次验证。Agent 负载具有长输入、短输出、多轮交互、上下文持续增长的特点，现有 EAGLE-3、DFlash、DSpark 等在这类负载上接受长度大幅下降（论文称最多降 80%），且维护草稿模型的历史 KV cache 占端到端延迟 10%~20%。

方法 DLite 的草稿主干为 5 层 Transformer，输入为目标模型多层隐藏状态（4B/8B 分别取 12/14 层，按序列维度拼接并加可学习的 depth embedding）、当前 anchor token 和 K=7 个 mask 占位符，使用局部位置编码和双向注意力，不保留任何草稿 KV cache。其后接一个低秩 RNN 风格的序列头（rank 320/512），在隐藏空间中恢复块内因果依赖，最后才做词表投影，避免 DSpark 那样对每个位置做 D×V 中间投影。训练分两阶段：先用交叉熵训练一个带历史 KV 的同构教师（8 epoch），再用前向 KL 把 DLite 对齐到该教师（2 epoch）；之后丢弃教师，用 0.1×CE + 1×TV 直接对齐目标模型（6 epoch）。训练数据为 Open-PerfectBlend 1.3M + Nemotron V2 600K 的 prompt，由目标模型重新生成回复，在 32 张 H800 上训练，只评测 Qwen3-4B/8B。

• 通用任务：Qwen3-8B 上 DLite 的接受长度 GSM8K 6.48、MBPP 5.65、LCB 5.66，对比 DSpark 6.36 / 5.36 / 5.43，提升约 2%~5%，属于小幅领先（表1，p.7）
• 长上下文 LongBench v2：Qwen3-4B 的 Multi-Doc QA 接受长度 2.74 对 DSpark 2.20，加速 2.18× 对 1.81×；Long-dialog 为 4.62 对 3.93，加速 3.88× 对 3.16×（表2，p.8）
• Agent 任务：Qwen3-4B 在 SWE-bench 上 τ=3.15、加速 2.68×，DSpark 为 1.89、1.64×；AgentLongBench 为 2.51 / 2.07×，DSpark 为 1.84 / 1.45×，相对 τ 提升约 37%~67%，对应摘要的“最高 70%”（表3，p.8）
• 高并发吞吐：Qwen3-4B 的 LCB 任务在并发 64 下 DLite 12075 TPS（1.83×）对 DSpark 11309 TPS（1.72×）；并发 1 时 3.97× 对 3.74×。在 Alpaca 上 τ 接近时吞吐仍有 2%~6% 的优势（表4，p.9）
• 消融：滑动窗口 KV（128/512）与无 KV 的版本在充分训练后接受长度相当（图5b，p.9）；序列头 rank 从 256 提到 512 平均 τ 由 3.16 升至 3.30，延迟仅增 0.3%，满秩 4096 只到 3.33；序列维度拼接 3.30 优于特征维度拼接 3.04（表5，p.13）

“草稿模型复用目标模型隐藏状态”本身是 EAGLE 系以来的标准做法，真正的新意在于：把草稿侧的历史 KV 与全局位置彻底去掉，只保留局部位置和目标隐藏状态；把序列头改到隐藏空间以省去中间词表投影；以及用带历史的同构教师做过渡蒸馏。其中去历史是一个有价值的工程取舍，并且给出了一个有意思的实证（滑窗 KV 与无 KV 在充分训练后持平）。但整体属于对 DSpark 架构的针对性改进，而不是范式层面的突破。

优点：基线覆盖了 EAGLE3、DFlash、DSpark 等较新的方法，包含 KV 窗口与训练策略的消融，也做了并发吞吐测试，代码和权重已放出。疑点：(1) 通用任务上的提升只有 2%~5%，且未给出方差或多次运行；“最多 70%”是挑选的最佳 Agent 场景；(2) Agent 与长上下文评测样本很小（SWE-bench 仅 50 条提示，BFCL 41 个会话，AgentLongBench 50 条），且是从各基准中改造抽取的 prompt，而非真实 Agent 轨迹；(3) DFlash2、DFlow 的数字来自第三方或其论文，非同一环境测试；DFlash/DSpark 是否在同样的数据和 epoch 预算下重训没有说明，Agent 场景中 DFlash 的 0.95× 表明基线可能偏弱或对长上下文未适配；(4) 附录 Fig.5(b) 只显示三种 KV 设置“相当”，但 DLite 训练用的是 4096 长度，而评测到 64K+，外推原因没有深入分析；(5) 只测 Qwen3 两个小稠密模型，且并发 64 下优势缩小到约 6%。核心结论（长上下文下无历史方案更稳）方向可信，但幅度需要谨慎看待。

✅ 官方资源 · https://github.com/SJTU-DAI-Sys/DLite
官方 GitHub 仓库（MIT 协议，约 41 星，近期有更新），并有 HuggingFace collection 放出模型。复现训练需要约 1.9M 条 prompt 的数据生成及 32 张 H800；若直接使用已发布的 Qwen3-4B/8B 草稿权重则门槛低得多。

应用落地适合“历史很长、会话反复恢复、对精确回忆要求不高”的场景，如个性化助手的偏好/画像记忆、长会话 agent 的低成本续跑：每条轨迹只需保存固定 40MiB（Nano）状态，query TTFT 与历史长度无关。前置条件是要用 Qwen3.6-35B-A3B 或 DeepSeek-V4-Flash 这类大 MoE 主干（Flash 状态 1.28GiB、需多卡）；需要精确引用原文的场景（LongMemEval、BEAM 上落后 RAG 40+ 分）仍应用检索系统，或者与其混用。

研究跟进开放问题很清楚：固定容量状态下的记忆保真度（Flash 在 LongMemEval-S 仅 37.2 vs 文本系统 80+）、如何做选择性保留与查询相关读出、MoS 扩容的更大规模规律（目前只有 2 vs 4 个专家、少数检查点）、以及本地记忆向超记忆参数“固化”的持续学习。另外可检验：SWE-bench 增益是否来自记忆机制本身，还是来自针对该任务族的蒸馏训练（与“把经验文本直接蒸馏进 LoRA”对比）。

可复用方法1) 冻结主干，以“看到完整文本历史的原模型”为教师、学生只通过记忆状态读历史，做 Top-64 前向 KL 蒸馏；2) 骨干准备流程：重复采样做能力画像→在上下文中补入提示/事实做归因干预→按能力类别分配合成数据来源，知识缺口留给检索/记忆；3) 用 √β⊙k 对称化擦除项来稳定 delta-rule 状态更新；4) 记忆块从主干注意力的 Q/K/V 投影初始化、遗忘门按半衰期对数均匀初始化；5) MoS 的窗口化执行+重计算可把显存降 80%（时间仅 +1.6%，p.15）。

背景 LLM 的长期记忆目前主要靠外挂上下文或检索（RAG、Mem0、MemOS 等），上下文随历史线性增长，成本高。参数化记忆（Temp-LoRA、Doc-to-LoRA、δ-mem、MemoryLLM 等）试图把历史压进权重或状态，但效果普遍较弱。本文是团队前作 Metis 的升级，要把记忆做成模型前向计算的内生部分。

方法 在选定的 Transformer 层并行加一个“原生记忆块”：每层维护 H_kv×d_k×d_v 的矩阵状态（Nano 为 10 层、40MiB；Flash 为 20 层、1280MiB），每轮结束后用 Gated DeltaNet-2 的逐 token 更新写入，并通过“对称化修正”（用 √β⊙k 同时作用于左右两侧）保证更新稳定（附录 C）；读出时用 query 读取记忆再经 RMSNorm 与 SoftCapSiLU 输出门融入注意力输出。可选 Mixture-of-Storage（MoS）用稠密路由把记忆扩成 E 个专家。训练冻结主干，只训记忆参数：先用 20B token 做 CPT（交叉熵），再用 14B token 做后训练，以“带完整文本历史的原主干”为教师做 Top-64 前向 KL 蒸馏；Flash 的主干先用约 2.4B token 的轨迹数据做“能力画像+归因干预+条件合成”的后训练。评测覆盖 11 个记忆基准、6 个通用基准（注入无关记忆的噪声设置）、端到端延迟/存储，以及 SWE-bench 上的经验注入实验。

• 11 个记忆基准平均分：MemT-1.0-Flash 50.6、Nano 47.0，比最强参数化基线（Temp-LoRA 38.1）分别高 12.5 和 8.9 分；但文本记忆系统更强，如 MemOS 68.6、Full Context 65.0–66.3、DenseRAG 56.5–57.3 (p.20)
• 长历史差距明显：LongMemEval-S 上 Flash 37.2 / Nano 32.6，而 MemOS 83.2、Full Context 77.8；BEAM-1M 上 Flash 37.0，而 MemOS 72.6；MemoryAgentBench 上 Flash 仅 17.4 (p.20)
• 效率：Nano 端到端延迟相对全上下文在 64K 为 1.20×、128K 为 1.86×、256K 为 3.99× 加速，32K 处基本持平，短历史更慢；query TTFT 稳定在约 104–112ms，全上下文在 256K 为 445ms；128K 下持久状态比全上下文小约 66×（Nano 固定 40MiB）(p.23-24)
• 通用能力（噪声设置）：Flash 相对 DeepSeek-V4-Flash 平均 0.0，Nano 相对 Qwen3.6-35B-A3B 平均 −0.9，Nano 在 LiveCodeBench v6 下降 5.8 (p.21)
• 消融（Nano）：逐 token 改为逐 turn 更新平均分 47.0→41.0（−6.0）；去掉稳定机制 −0.5、换成 GDN −0.3、加双向编码 −1.5；不做后训练 −10.7、不做 CPT −2.1 (p.22)
• SWE-bench Verified 经验注入（3 次运行）：Native Memory 平均成功率 69.33%（无经验 66.07%，文本经验 68.87%），pass^3 54.00→61.60，但 pass@3 77.60→77.40 没有提升；Multilingual 平均成功率 60.00→62.89 (p.29)

真正的新意主要是工程整合与诊断而非概念突破：把 GDN-2 的 delta rule 作为“每层并联的记忆分支”接到现成的大型 MoE 模型上，用冻结主干+全上下文教师在线蒸馏训练，并给出 GDN-2 非对称擦除项会放大范数的分析和对称化修正（但消融里稳定机制只带来 0.5 分）。MoS 是对记忆块做稠密“专家化”，思路简单。实验上最有价值的结论是“逐 token 更新远优于逐 turn 聚合”和“后训练贡献远大于 CPT”。把参数化记忆用于“程序性经验注入”给 coding agent 是有趣的应用方向，但增益幅度有限。

优点：有架构/训练消融、多基准、延迟与存储实测，并如实承认与 RAG/文本记忆差距。问题：(1) “优于参数化基线”的对照集中在 Temp-LoRA、Doc-to-LoRA、SHINE、δ-mem 等较弱的同类方法，而对更强的文本记忆系统明显落后，摘要用“竞争力”表述偏乐观；(2) 许多基准属自家或相关团队（MemOps、MemOS、OmniMemEval 均出自 MemTensor 生态），评判用 gpt-4.1-mini 且无多次运行方差；(3) 通用能力测试采用“噪声记忆”设置，且 Nano 的 LiveCodeBench v6 降 5.8 分，“largely preserved”只对平均成立，各项无置信区间；(4) 效率对比用 HF 单请求、两卡、batch=1，对全上下文基线不是高度优化的服务栈，且 32K 以下更慢，加速主要来自历史预处理成本，而 Temp-LoRA 对照很弱；(5) 备份：SWE-bench 增益小（+3~4 分平均）、pass@3 未提升，只做 3 次运行，无统计检验，Nano 的应用训练使用了任务族匹配的数据，文本经验在 Multilingual 上 pass^3 与平均分反而更好；(6) MoS 规模实验仅 2 vs 4 专家、单次运行，Figure 6 的波动说明噪声不小；稳定机制的理论只给最坏情况充分条件，消融仅 −0.5。只提供了前 40 页，附录 E/F 的细节未核验。

✅ 官方资源 · https://github.com/MemTensor/MemT-1.0
官方 GitHub 仓库（192 星，license 标注为 NOASSERTION）和 HuggingFace 模型集合（MemT-1.0-Nano 36B/3B 激活、Flash 288B/17B 激活）已发布；另有评测框架 OmniMemEval。训练数据（34B token，含 MemOS 内部匿名数据）看起来未公开。复现训练需多卡集群（Nano 64 DP、Flash TP/PP/CP/EP=1/4/2/8），推理评测门槛相对较低但 Flash 状态需 1.28GiB/轨迹。

应用落地适合已有自托管小/中型开源模型（如 3B 激活参数 MoE）、有可执行验证器（单测）和 RL 基础设施的团队，用来给内部代码库的 Agent 同时调模型和脚手架。前置条件是一批带容器环境的可验证任务（本文 2,484 个）和一台 8×B200 级别的机器；没有验证器或只能调 API 闭源模型的场景只能用 harness 一侧。实用点：演化出的 harness 多是“提交前护栏”（空补丁检查、git add -N、回退用 git diff），可以直接抄进现有 Agent。

研究跟进开放问题包括：只做了 2 轮、每轮 50 次更新、K=6，没有展示更多轮次是否继续上升或收敛；只测了单一基座和单一种子 harness。Appendix D 显示 harness 增益主要来自提交环节的失败（空补丁、格式错误），这类“修补流程漏洞”式收益能否随模型变强而消失、能否扩展到真正改变推理策略的 harness，是值得检验的问题。另一个方向是在 Python 之外的训练任务上做搜索，并把 harness 编辑纳入 RL 与交替式的系统对比。

可复用方法可搬走三件事：一是把 RL 中“所有 rollout 都失败”的任务作为下一轮 harness 搜索集；二是 BAR（每任务采 8 条取 4 条构成成功率 0.25–0.75 的平衡组，凑够 32 组），能把零成功组占比压到 6.5% 左右；三是 Figure 7 的 proposer prompt 模式（只加一个新机制、保留父类所有方法、禁止注入参考补丁、附带覆盖缺口/提交丢失等诊断）。另外 harness 以 Python 子类覆盖 step() 的约束形式便于自动校验。

背景 编程 Agent 的表现由策略模型和 harness（决定观察什么、如何执行动作、何时终止的外部脚手架）共同决定。已有工作要么固定模型只搜索 harness，要么固定 harness 只做 RL，前者无法提升模型，后者只能从固定 harness 引出的轨迹中学习；少数联合优化工作依赖外部 proposer 且搜索任务固定。

方法 Self-HPO 在两个步骤间循环：H-step 冻结当前策略，让它既做任务求解器又做 harness proposer，分析失败轨迹并生成 K=6 个 harness 候选（Python 子类覆盖 step() 加 prompt），按搜索集得分选最优；P-step 冻结该 harness，用 GRPO + Balanced Adaptive Rollout（BAR）做 RL（每批 32 组、128 条轨迹，50 次更新）。P-step 中从未被解决的任务构成下一轮 H-step 的搜索集（初始为 300 个随机任务）。基座为 Qwen3.5-35B-A3B，种子 harness 为 mini-SWE-agent，训练集 2,484 个 Python 任务（SWE-rebench 等），共两轮，8×B200 单节点。对照包括 RLVR、Self-Harness、Meta-Harness、SFT，以及用 Opus 4.8 做外部 proposer 的 HPO 变体。

• SWE-Verified 上 Self-HPO 69.5±0.9%，基座 61.0%，RLVR 67.5%，Self-Harness 65.2%；三个基准平均 57.8%→64.8%，高于 RLVR 的 61.9%（表1，p.5）
• OOD 泛化：SWE-Multi 59.7%（基座 54.2%，RLVR 56.3%），SWE-Pro 65.2%（基座 58.3%，RLVR 61.8%）；Self-Harness 在 SWE-Multi 仅提升 0.1 点（表1，p.5）
• 交叉评估：H2+P0=64.5%，H0+P2=64.4%，H2+P2=69.5%；联合增益 8.5 点，比单独增益之和（3.5+3.4=6.9）多 1.6 点（表3，p.6）
• 消融（HPO 71.6%）：P-step 换 SFT 为 67.2%，换 RFT 为 70.5%，固定搜索集为 70.1%，换成自 proposer 为 69.5%（表2，p.6）
• pass@8 由 80.0% 升至 84.8%；按基座难度分层，Medium/Easy 的 pass@1 分别 +17.2/+12.9，但已全解组 −2.2；最后一轮 P-step 零成功组占比降至 6.5%，RLVR 为 11%–17%（图4，p.7）

单看组件都不新（GRPO、BAR、Meta-Harness/Self-Harness 式 harness 搜索均已有），核心新增是闭环设计：训练后的策略立刻成为下一轮 harness proposer，并用 RL 中未解决的任务动态重定向搜索集。相邻工作（WHALE、HASE、Evo2、Task-CoEvolve）各自缺其中一块，所以是中等增量的系统整合，而非新范式。论文本身也承认该领域同期工作极多，差异化主要靠这两条轴。

优点：三次评估取均值并给出标准差，有交叉评估表、替换 P-step/搜索集/proposer 的消融，OOD 基准覆盖多语言，对照方法使用相同搜索预算。不足：(1) 仅一个基座、一个种子 harness、两轮优化，普适性证据有限；(2) 多个差距接近标准差，如 HPO vs Meta-Harness 的 SWE-Verified 差 2.5 点（标准差 0.9–1.9），固定搜索集消融差 1.5 点，且消融只报单值无方差；(3) “联合增益超过加和 1.6 点”是 9 个格子里的小差，标准差约 1 点，“超加性”结论偏强；(4) harness 选择以搜索集得分为准，搜索集来自训练任务，上界受 6 个候选限制，且 harness 目标指标与测试指标同源，可能存在对基准格式（提交命令）的特化；(5) 最优 harness 主要修补提交环节缺陷，说明部分收益是修流程漏洞而非能力提升，Appendix E 案例里还有 PR-intent 误报；(6) pass@1 在已解决组下降 2.2 点，改进不均匀；(7) SFT 基线用 Opus 轨迹且 OOD 变差，可能是调参不足而非 SFT 固有；(8) 论文与 Opus 4.8、Qwen3.5 的比较无法外部验证，且与 Table 4 前沿模型比仍落后（如 75+）。作者来自微软，与 Orchard/RLVR 基线同团队，对自家基线调参可能更充分，但对 Self-Harness 基线是否充分复现不明。

✅ 官方资源 · https://github.com/MSR-Orchard/Self-HPO
官方 GitHub（MIT，核验时有内容，⭐19）和 HuggingFace 主页（https://huggingface.co/self-hpo）已给出；具体是否含权重/完整训练脚本未能核实。复现需 slime 框架、SGLang、8×B200 单节点，以及 Orchard 的训练数据构造和 SWE 沙箱环境；外部 proposer 版本还需 Opus 4.8 API。

应用落地适合有能力调用强闭源模型作教练、想把 4B/8B 端侧或私有部署小模型在特定业务（代码、工具调用、检索问答）上迭代提升的团队。前置条件：有可自动判分的任务（单测、环境回执、答案匹配）、几百到几千条训练任务、能做 LoRA 微调，以及元智能体的 API 预算（单次 HumanEval+ 实验约 250M token）。无自动验证器的开放式任务难以直接套用。

研究跟进最该补的是因果证据：论文自己承认案例"不隔离单个技能的因果贡献"，需要做技能库的去除/替换/随机技能对照，以及多次种子的方差。另外，在更大的任务智能体、更强基线（如 GEPA、真正的 Hyperagents 官方实现）上验证；研究用便宜元模型或微调元模型降低成本；以及检验技能能否跨领域、跨任务智能体迁移。

可复用方法三点可直接搬：(1) 同一父节点、同一批任务下的配对增益验收（n01-n10 回归计数），失败尝试也进经验记录；(2) 技能卡格式：When/Steps/Preserve/Avoid when/Evidence，把证据和回归数量写进技能；(3) 按失败范围选择干预的启发式——局部输出缺陷用产物修订，重复的执行/接口错误改 harness，持续的能力缺口且有可验证成功轨迹时做 SFT 回放。附录 F 给出了 8 个提示模板的节选。

背景 现有自我改进方法要么只优化模型，要么只优化 harness，要么只改产物；近期的递归自我改进（RSI）开始让改进机制本身也可编辑。但瓶颈会随着智能体能力变化而转移（先是格式错误，后是语义错误），固定的改进流程会失效，且元智能体自身的编排能力也应随经验提升。

方法 任务智能体用 Qwen3-4B/8B，元智能体用固定权重的 GPT-5.6 Sol，只通过修改其 harness（技能库、检索调用、提示）演化。每轮在 600 个训练任务（代码/工具/多跳 QA 各 200）上执行，诊断瓶颈后选择 Model（默认 SFT 复用成功轨迹，LoRA 一个 epoch）、Harness（定位-生成-校验）或 Artifacts（任务智能体根据反馈修改自己的输出）之一，最多 2 次尝试，首个有效且在训练批上配对增益>0 的候选被接受。之后元智能体对比父/候选轨迹，把经验蒸馏成带适用条件、保留约束、证据的技能和跨组件原则，通过 Add/Supplement/Revise/Merge 维护技能库。共 5 轮，在 6 个公开基准（HumanEval+、MBPP+、BFCL-v3、ACEBench、HotpotQA、2Wiki，共 744 个任务）上评测，与 SFT、GRPO、AFlow、MermaidFlow、HarnessForge、SIA、Hyperagent 对比。

• 主结果：Qwen3-4B 上 Overall 51.21，对比最强基线 SIA 的 45.15（+6.06）；Qwen3-8B 上 59.86 对 SIA 的 56.00（+3.86）；12 个设置中 11 个领先，ACEBench 8B 上输给 HarnessForge（59.07 vs 52.62）(p.6 表1)
• 4B 上 HumanEval+ 从最强基线 54.27 提到 68.29；MBPP+ 66.29 对 62.36；2Wiki 48.72 对 41.68；但 BFCL-v3 仅 29.23 对 SIA 29.00，几乎持平 (p.6 表1)
• 消融（4B，5轮）：完整系统 Code 67.29 / Tool 33.62 / QA 52.72；去掉元智能体演化后平均下降 5.74%；固定单一路线（H/M/A）均低于自适应；固定 A 路线在 QA 上 52.57 与完整版 52.72 几乎相同 (p.6 表2)
• 元智能体骨干敏感性（HumanEval+，5轮）：GPT-5.6-Sol 43.88→68.29，Claude-Sonnet-5 42.12→53.60，DeepSeek-V4.1-Flash 44.42→49.51；GPT-5.6-Sol 累计消耗 252.6M 元 token，其中第5轮单轮 160.8M (p.7, p.20-21)
• 案例 HHMMA：平均分 32.23→38.04→45.46→47.11→51.21；技能证据显示 R3 Model 更新仅 134→141/600（34 增益、27 回退），R4 为 159→160/600（23 增益、22 回退）(p.8, p.25)

核心是工程整合：在 SIA 式的"按反馈选择 harness/权重更新"之上加了第三条"产物自修订"路线，并借鉴 Hyperagents/MetaSkill-Evolve 把经验沉淀为结构化技能库（Add/Supplement/Revise/Merge，带适用条件和反例）。单个部件都不新，真正有价值的是把技能记录格式（适用条件、保留约束、证据）和配对增益验收规则写得很具体。其"递归"成分实际上是固定权重 LLM 的提示/技能库演化，与真正的递归自我改进差距较大。

主要问题：(1) 评测集很小——HotpotQA/2Wiki 各 100 题、ACEBench 50 题（57 个评分记录）、BFCL 152 题，单次运行未见方差、置信区间或多种子，ACEBench/BFCL 上数个点的差距在噪声范围内；(2) 元智能体用 GPT-5.6 Sol 这类前沿闭源模型，而基线（SFT/GRPO/AFlow 等）多无同等强度的外部教练，算力/token 预算不对等，附录也承认"每任务预算相同不代表总演化成本相同"；(3) 基线实现是作者自行配置（如 GRPO 仅 group size 2、KL=0），且 SFT/GRPO 基线疑似弱化，不能视作各自最佳；(4) 消融只在 4B 上做，且固定 A 路线在 QA 上几乎等同完整版；"元演化"的收益用的是总体平均，缺少单个技能的因果隔离，作者自己也承认案例不能证明；(5) 案例中 Model 更新的净增益很小（+7/600、+1/600），HHMMA 的 51.21 与主表同值，说明展示的是挑选过的轨迹；(6) 作者报告的是"相对百分点"与绝对差混用，如 Code 数字"提升 14.02%"实为绝对分差；(7) 论文含 2026 年的虚构式前沿模型名，无法外部核实，但数据划分隔离（任务ID/哈希无重叠）描述较详细，这是加分项。整体结论方向可信，但幅度需打折。

✅ 官方资源 · https://github.com/1HUAN1/RSI-Flow
官方 GitHub 仓库存在（MIT 许可，4 星，最近推送 2026-10-13，有内容）。未核实是否包含权重和完整复现脚本。复现需要 Qwen3-4B/8B 的 LoRA 训练资源，以及 GPT-5.6 Sol 等闭源元模型 API（数百 M token 量级），门槛不低。

应用落地适合在小模型、短输出、低成本约束下运行的重复性任务型 Agent，例如 SQL 查询助手、运维/Shell 助手，这类任务有明确的成功判定信号。前提是能拿到可靠的二值任务反馈（环境判定或外部验证），且任务分布相对稳定；没有验证信号的开放对话场景难以直接套用。控制器不用额外 LLM 调用、不微调，集成成本低。

研究跟进首先是信用分配：只对被选中的记忆获得反馈，失败原因与记忆无关，作者也承认因果贡献未识别，可以做低成本的反事实或 bandit 探索。其次，需要检验在预算逐步放宽时优势是否保留（作者明确不声称跨预算稳健）。第三，用真正的语义嵌入替换哈希文本向量，看是否能进一步放大价值学习的收益；还应做多次随机种子和置信区间的复现。

可复用方法可直接搬走的有：1) “检索不是找最相似，而是预测被注入后任务成不成”，用 +1/-1 奖励在线训练；2) 以先验权重 w0 为锚做 L2 正则的在线逻辑回归，加平滑与权重裁剪保证稳定；3) 用 (成功数+1)/(总数+2) 的可靠性、效用增减（+0.25/-0.45）、新近性衰减作为记忆特征；4) 满库时用最近 9 个查询的平均价值做准入和淘汰，加新颖度门限；5) 评测时把辅助 LLM 调用的输出 token 计入同一预算，更公平地比较记忆方法。

背景 终身智能体需要在部署后不断积累并复用经验，但现实中生成长度、交互轮数和记忆容量都受限。作者发现，在这种联合严苛预算下，Mem0、Reflexion、MemRL 等方法常常与简单 RAG 甚至无记忆智能体差不多，因此问题从“检索相关经验”变成“估计经验的真实价值”。

方法 形式化“资源受限终身智能体”：预算 C=(Omax, Jmax, Bmax, Kmax, Lmax)，包含输出 token、交互轮数、记忆库容量、检索条数和注入长度，辅助 LLM 调用也计入预算。TokenWorth 先用 512 维哈希文本向量（token 与字符 3–5-gram）做召回，取 Top-12 候选；再用 4 维特征（相似度、历史效用、可靠性、新近性）的线性打分器，加上 Recursive Feature Machine（KRR + 对角 AGOP 度量）的残差修正来给每条候选打“价值”分，只注入 1 条记忆。每个任务只执行一次，用 0/1 奖励在线更新：线性部分向先验 w0 正则，KRR 快速更新，AGOP 慢速更新。记忆库满时，用最近最多 9 个探针查询上的平均价值 V 决定准入与淘汰。整个控制器不需要额外 LLM 调用、不微调骨干。实验在 LifelongAgentBench 的 DB/OS/KG 三个环境上进行，骨干为本地 Qwen2.5-14B-Instruct 和 API 的 DeepSeek-V4-Flash，对比 9 个基线。

• 主表（Table 1, p.8）：TokenWorth 在 6 个环境×部署组合中成功率全部最高。本地 DB 65.0% vs 最强基线 RAG 33.0%（+32.0pp）；OS 59.4% vs 54.6%；KG 36.7% vs 30.7%。
• API（DeepSeek-V4-Flash，p.8）：DB 62.2% vs 最佳基线 32.2%（+30.0pp）；OS 73.2% vs 70.2%；KG 36.7% vs 32.0%。
• 多个复杂记忆方法在此预算下表现差：本地 KG 上 RAG 为 11.3%、MemRL 为 4.7%，而无记忆 Standard 为 30.7%；本地 DB 上 Mem0/Reflexion/EvoSC 低于或接近 Standard 的 25.2%（p.8）。
• 输出 token 相对 Standard 减少：本地 DB/OS/KG 分别 -9.3%/-51.5%/-18.7%，API 分别 -31.6%/-58.3%/-21.3%（p.9）。
• 消融（DB，本地，p.9）：只用 Base 64.2%，Base+固定度量 RFM 63.0%，完整版（含 AGOP）65.0%，即完整版仅比 Base Only 高 0.8pp。
• 泛化（附录 C，p.18）：本地 BigCodeBench 43.1%（最佳基线 42.9%）、ALFWorld 73.5%（RAG 73.2%）；API 的 BigCodeBench 50.6% 低于 RAG 的 50.9%，提升在噪声范围内。

真正新的主要是问题设定和评测视角：把生成、交互、记忆预算联合收紧，并计入基线辅助调用的 token，发现不少复杂记忆方法在此条件下失效。方法上，用 bandit 式的奖励反馈学习记忆价值并同时用于检索与淘汰，思路接近 MemRL 等已有的价值感知记忆；RFM+AGOP 作为残差学习器属于把现成组件拼起来。消融显示 RFM/AGOP 的贡献很小，因此大部分收益更可能来自“带可靠性统计的线性打分+准入/淘汰规则”这套轻量设计。

优点：9 个基线全部在同一骨干、任务流、预算下比较，辅助调用的 token 计入预算，两种部署、三个环境，主表结论方向一致，DB 上的差距很大且难以只归于噪声。问题：1) 预算极其严苛（如 DB 输出 128 token、仅 3 轮、仅 1 条记忆、容量 64），这是对基线不利的选择，且“基线实现被适配到共同限制”，可能是削弱了基线；Mem0、Reflexion 等被压到低于无记忆的结果需要更多调参说明，作者也明确不声称跨预算稳健。2) 没有报告多种子、置信区间或显著性检验；DB 约 500 个任务，差 1–3pp 的结果在误差范围内（OS、KG 的提升多为 3–6pp）。3) 超参数敏感性表显示，改变更新间隔就掉 2–3pp，说明默认配置可能是在同一 500 任务 DB 流上调出来的。4) 消融只在 DB 本地一个设置上做，Base Only 已有 64.2%，RFM/AGOP 的增益仅 0.8pp，“两时间尺度 RFM”的核心主张证据薄弱；且 Base+RFM 低于 Base。5) 泛化实验（BigCodeBench、ALFWorld）提升仅 0.2–0.3pp，API BigCodeBench 还输给 RAG，作者自己承认只是“有竞争力”。6) DB 上从 33% 到 65% 的巨大跃升，可能很大程度来自记忆内容的构造方式（紧凑的 SQL 演示等，附录 B.4）而非价值学习，缺少用同样记忆格式的 RAG 的对照。7) 特征工程用了哈希文本向量而非语义嵌入，结果在语义复杂的任务上是否成立不明。

✅ 官方资源 · https://github.com/AIGNLAI/TokenWorth
官方 GitHub 仓库存在（3 星，无 license，有内容）。论文附录给出了完整超参数、记忆准入/替换规则和各环境配置，复现思路清晰。控制器本身很轻量，主要算力开销来自本地运行 Qwen2.5-14B（作者用 A800）或调用 DeepSeek-V4-Flash API，并运行 LifelongAgentBench。未见权重（本方法无需训练骨干）。

应用落地可作为选型工具：评估某个Agent+模型组合能否稳定产出可编辑Blender项目，用于电商产品展示、房产/装修效果图、课堂科学插图等场景的原型。结果显示最强模型也只在42.2%任务上完全达标，所以现阶段适合“AI出初稿+人工检查与修正”，不适合无人值守交付。前置条件是Blender MCP环境、GPU渲染容器，以及对输出做多视角检查。

研究跟进开放问题包括：如何让Agent主动做多视角和物理接触自检（论文失败案例显示GPT-6-Astra用单面贴图卡片、GPT-5.6-Sol人物悬空）；如何把被动看图转为有效结构修正（看图次数多不等于高分）；如何降低对单一LLM评审的依赖（小分差下一致率仅约58–69%）。可做的下一步包括把judge换成CUA交互检查、加入专家校准、做多次运行方差估计和固定harness下的推理强度对比。

可复用方法“证据路由”评测可直接搬走：把rubric标注为render或scene_summary两类证据，分别交给VLM和能读取项目内部状态的Agent评判；rubric由生成器带来源链接提取、两个以上模型带反例交叉审核后冻结；二值rubric（任务内加权）与1–10维度分各占一半融合，并做λ敏感性分析。另一个可复用技巧是用agent自选8视角渲染来暴露view-dependent的假几何。

背景 多模态大模型已能通过代码或MCP操作Blender等软件创作3D内容，但现有基准（3DCodeBench、BlenderGym等）多只覆盖单个物体或预定义几何目标，缺少真实参考输入和开放式需求。开放式任务没有标准3D答案，单张渲染图也难以验证内部结构，因此需要新的评测方式。

方法 构建223个任务，覆盖9大类、22子类、16个应用场景；输入含文本、130个图片参考、15个视频参考，59个任务附带MD/YAML/JSON规格文件。任务由MLLM辅助生成并经结构+语义双轨验证；用GPT-5.6-Sol起草规则、至少两个独立模型交叉审核，最终冻结2,651条加权二值rubric（权重3/2/1，13个类别，58.2%需通过场景检查、41.8%通过渲染判断）。评测流程：Automatic Agent Render自动选8个视角用Cycles渲染；Agent-as-Judge通过Blender工具检查内部场景状态，VLM-as-Judge判渲染视觉标准；另加8个维度的1–10分质量打分；最终分数=0.5×rubric加权通过率+0.5×维度分。13个智能体（GPT系用Codex，其余用Claude Code）每任务跑一次，并统一用GPT-5.6-terra做评审。

• GPT-6-Astra总分79.9居首，Opus-5为73.0，GPT-5.6-Sol为67.7，MiniMax-M3最低为31.8（表2, p.7）
• 完全满足所有rubric的任务比例：GPT-6-Astra仅42.2%，Opus-5为25.6%，其余模型最多15.7%（表2, p.7）
• GPT-6-Astra rubric/维度分为87.3/72.6，维度分偏低；所有系统中Realism维度均最低，GPT-6-Astra为6.61/10而Completeness为7.89（p.18）
• 工具使用与得分不成正比：GPT-6-Astra平均79.1次工具调用、84.5K输出token，Opus-5为155次、241K，DeepSeek-V4.1-Flash为168次，且GPT-6-Astra图像查看仅15.0次却取得最高MM分80.7（表2, 图6, p.7-8）
• 评审模型与人类偏好一致性：GPT-5.6-terra整体pairwise一致率82.99%（147例），但在得分差<10的70例中降至68.57%；rubric与维度分的Spearman相关为0.630（p.15-19）

新意主要在评测设计而非任务本身：把参考图/视频/规格文件作为输入，用“证据路由”将需要内部结构验证的rubric交给能直接检查.blend的Agent-as-Judge，避开只看渲染图的视觉捷径，并用agent自选多视角渲染。这比固定视角+几何指标的既有Blender基准更贴近实际交付。但任务、rubric、评审多数由LLM生成和判分，本质上是“LLM造题、LLM判分”的组合，方法创新有限，价值主要在规模化的覆盖度和失败案例分析。

主要局限：(1) 每个模型每任务只跑一次，无方差估计，中间名次的差异（如Grok-4.6与Opus-4.8均为57.0）不可靠，作者自己把重复运行列为未来工作；(2) 任务、rubric起草、评审全由LLM完成，起草用GPT-5.6-Sol、评审用GPT-5.6-terra，存在同系偏好的潜在风险（GPT系模型排前两名中有其一），论文未做针对性消融；(3) 人类验证仅150对artifact，且提到“人工评审补充”但细节有限，小分差下评审与人类一致率仅55.7–68.6%；(4) GPT-6-Astra与GPT-5.6-Sol使用Codex，其余用Claude Code，模型与harness混杂，难以分离模型能力与框架影响；(5) 83.3%的criteria为最高权重，聚合分对权重设计较敏感，但λ和类别加权敏感性分析显示排名较稳定（Spearman 0.995，p.19-20）。总体结论“最强模型也有明显短板”有数据支持，但具体分数的绝对意义有限。

✅ 官方资源 · https://github.com/QwenLM/BlenderWorld
GitHub仓库存在（MIT许可证，173星，2026-10-20仍有更新），项目网站为blenderworld.github.io。具体含哪些任务文件、rubric、评测脚本需自行查看仓库。复现需要Blender 4.2 LTS、Codex/Claude Code harness、每任务一块GPU的隔离容器，以及对13个前沿模型和GPT-5.6-terra评审的API调用，成本较高。

应用落地适合有工具调用 Agent 的团队（客服、运维、办公自动化、涉及授权/隐私的流程）作为“停手门控”：在执行前做证据冲突检查、联合约束校验、权限与累积披露审计（图 4 中 H1–H4）。前置条件是工具返回里能暴露“字段缺失/不可恢复/记录冲突”等可发现的信号；成本会增加约 2 倍 API 费用、3 倍 token，但可用小模型+harness 换掉大模型。

研究跟进开放问题：(1) 60 对的小 benchmark 且每个模型单次 rollout，缺少置信区间，需要更大规模与多种子复现；(2) harness 由 GPT-5.6-Luna 优化，对非 OpenAI 模型的迁移差异很大（Mistral Large 3 反而过度弃答），可研究 harness 与模型的适配或模型感知的 harness 选择；(3) 环境演化只针对“未弃答”失败，没有对“过度弃答”和 Act 设置目标，可加入双向对抗；(4) 合成环境主要是数据库+Python 工具，需验证在真实 web/终端环境中的外推。

可复用方法可直接搬走：①“同指令、仅变异环境”的配对任务构造，配合“救援策略”检查绕行路径、撤销变异应恢复可行、无关改动应保持可行的认证清单；②准入阈值：新批次中至少 40% 的不可行实例让当前 harness 失败才并入训练池，保证课程难度；③harness 迭代选择规则——验证集上 Abstain 与 Pair 都不降且至少一项升才采纳，验证结果不反馈给优化器，以防过拟合；④用 Pair（可行成功且不可行弃答）作为反过度弃答的主指标。

背景 LLM Agent 常常在任务不可行（缺证据、权限冲突、约束互斥）时仍继续行动，造成错误或不可逆操作，这被称为 agentic abstention 问题。已有工作要么微调模型，要么在固定任务集上优化 harness，固定任务集会很快耗尽失败信号，泛化到新失败模式有限。

方法 Stage 1：用 Agent-World 式流程为主题构造结构化数据库和可执行工具环境，生成并用独立 solver 验证可行任务，再通过多个 proposer 提出“环境变异”（删除证据、制造记录冲突、撤销授权等），经语义策略和“救援策略”（检查是否有绕行路径）审核，得到共享同一指令的可行/不可行配对。Stage 2：每轮用当前 harness 跑配对任务，LLM 失败分析师归因；环境设计者据此针对弱点生成 5 对新任务，只有当 5 个不可行实例中至少 2 个未能弃答（τ=0.4）才并入训练池；harness 优化器（coding agent）连续迭代 4 个候选，改提示词/记忆/工具/子 agent/控制逻辑，并在固定 15 对验证集上选择（Abstain 与 Pair 均不下降且至少一项提升）。以 GPT-5.6-Luna 为执行模型跑 6 轮（训练池 20→50 对），在作者人工修订的 60 对 HERA-BENCH 上评测，并把冻结的最终 harness 迁移到 19 个其他模型。

• HERA-BENCH 上，Co-evolution 相对基础 harness H0：Abstain 61.7→83.3，Act 68.3→76.7，Pair 48.3→70.0；而仅加弃答提示词只有 Abstain 68.3、Act 降到 63.3、Pair 46.7 (p.7, Table 1)
• Pair 指标上 Co-evolution (70.0) 低于“仅用 H0 失败生成任务”基线 (73.3)，Abstain/Act 最高 (p.7, Table 1)
• 累积训练池 T6（50 对）：Co-evolution Abstain 86.0 / Act 88.0 / Pair 78.0，对比 H0 失败生成任务基线 76.0 / 82.0 / 68.0，harness-only 为 64.0 / 66.0 / 46.0 (p.7, 表2；p.21, 表6)
• 冻结 harness 迁移到 19 个模型，Abstain 提升 6.7–40.0 个百分点、Pair 提升 1.7–28.3 个百分点；GPT-6-Astra Abstain 81.7→91.7、Pair 70.0→80.0；如 Qwen3.8 Flash-Lite 类低基线模型提升明显 (p.7–8, Table 3)
• 成本：14 个模型上 HERA 使 API 成本和 token 中位数分别增至 2.09 倍和 3.31 倍；GPT-5.6-Luna+HERA 达到 70.0% Pair，与基础 GPT-6-Astra 持平，每 episode 约 $0.0091 vs $0.0610，约低 85% (p.8)
• 部分模型 Act 下降（如 Claude Sonnet 5 Act 70.0→66.7、Gemini 3.8 Flash 60.0→56.7、GPT-5.6 Terra 83.3→78.3），Mistral Large 3 过度弃答从 13.3 升到 15.0，Act 仅 20.0 (p.20, Table 5)

核心新意是把“环境/任务生成”纳入 harness 优化循环：用当前 harness 的失败去定向生成下一批可验证的可行/不可行配对任务，而不是固定任务集。配对变异加“救援策略”防止误标可行任务为不可行，是较扎实的数据构造设计。但 harness 优化本身（失败诊断 + coding agent 改代码，类似 Agentic Harness Engineering）和环境合成（Agent-World）都沿用已有工作，属于组合式创新；增益主要体现为相对“用 H0 失败生成任务”基线的小幅优势。

证据有若干局限：(1) HERA-BENCH 只有 60 对，且为作者自建并人工修订，生成环境和训练环境同源（同一合成管线、同样的模型生成），附录 C.1 也承认“任务级不相交不等于环境族或领域不相交”，泛化声明需要打折；(2) 单次 rollout、无置信区间或显著性检验，60 题上 1 题≈1.7 个点，Co-evolution 与基线间 3–5 点的差距多数在噪声范围内；Pair 上 Co-evolution (70.0) 反而低于“H0 失败生成任务”(73.3)，“最高”的说法只对 Abstain 和 Act 成立；(3) 最强的优势来自训练池 T6，但那是 harness 在其上训练或与其环境协同演化的任务，且基线是对同一最终 harness 的评估，存在对训练分布的适应偏差，不等同于泛化；(4) 迁移结果很强但 Act 在部分模型上下降，Mistral Large 3 过度弃答高达 15%，说明增益部分来自更保守；(5) 关于 85% 成本节省，是比较 Luna+HERA 与 Astra 基线的单一点，且 Luna 为默认推理设置而 Astra 为 High，不严格对等；(6) 缺少与其他 harness 演化方法（Meta-Harness、AHE 等）的直接对比，baseline 都是自己设计的变体；(7) 全流程大量使用 LLM 作为任务生成器、认证器、失败分析师和 harness 优化器，存在循环偏差风险。

✅ 官方资源 · https://github.com/lhannnn/HERA-Bench
GitHub 仓库存在（1 star，无 license，10 月 16 日仍有更新），project 页为 hera-bench.github.io；具体是否包含完整 co-evolution 管线、HERA-BENCH 的 60 对任务和最终 harness 代码，需要进一步核对。复现需要多种前沿闭源 API（含 GPT-5.6-Sol 作 solver）和 coding agent，算力成本主要是 API 费用。

应用落地适合想训练端侧/私有化 8B 级“办公助手”的团队：用 CRM、工单、邮件、财务等 mock 服务生成企业流程任务，再蒸馏大模型轨迹。前置条件是有强教师模型的 API 预算（教师为 claude-opus-4-8）、能容器化 mock 服务，且自己的业务流程能写成确定性检查。论文的 grader 只检查工具调用和审计记录，不能保证语义正确，生产场景还需补人工或 LLM 评审。

研究跟进开放问题包括：各 grader 检查权重与任务集合基于 Claw-Eval 家族风格构造，是否存在分布同源导致的泛化高估；RL 对比在配置上混杂变量（GDPO 的 batch size 不同，Dr.GRPO 同时改了两处归一化，GiGPO 无 ω=0 消融），可做干净消融；Multimodal 在所有方法下几乎无提升，值得研究原因；失败轨迹和恢复行为被过滤掉，是否能用于训练仍未测。

可复用方法可直接搬的有：(1) grader 一致性门——对生成的评分脚本构造满分、空、违禁三种合成记录做单元测试，再带诊断反馈重试；(2) 请求泄漏检查，防止答案 ID 出现在用户请求里；(3) 按教师平均完成度分 TRIVIAL/KEEP/UNSOLVABLE，对简单任务按任务前缀只保留一条，丢弃全失败任务；(4) 长观察截断至 1,000 字符、整例 40k 字符上限、5 条消息下限与 20 次工具调用上限的转换规则。

背景 AI 同事型智能体需要跨多个服务（CRM、工单、邮件、财务等）多轮交互并遵守权限约束，但可训练的、带可执行验证的环境很稀缺。已有工作（Nemotron-Terminal、SERA、Occamy、Cowork-Gym 等）多针对终端/代码或闭源配方，缺少面向协作场景、同时支持 SFT 与 RL 的开放构造流程。

方法 先由覆盖计划（服务组合、难度、场景、干扰项、固定日期）驱动 LLM 生成请求、初始记录、完成检查和禁止动作，再由程序实例化到固定的服务注册表和 grader 模板；安全类任务使用 Generator–Discriminator 分角色（后者不看完整请求，只定义检查和禁止工具）。验证包括解析、权重和为 1、工具冲突、答案泄漏检查，以及“grading consistency gate”（满分合成记录须得满分、空记录零分、加入禁用调用安全分为零），失败则带反馈重试一次。教师（Claude Code + claude-opus-4-8，在 Harbor 中运行）多次执行，按平均完成度分 TRIVIAL/KEEP/UNSOLVABLE，过滤后转成聊天格式，用 LoRA（rank 32）对 Qwen3-VL-8B/4B 做 SFT；另在 SFT warm-up 之上用 slime/Polar 对比 GRPO、Dr.GRPO、GDPO、GiGPO。评测在 Claw-Eval（General 161 + Multi-turn 38，3 次试验）和 ClawMark（100 任务，仅 SFT）上进行。

• Claw-Eval：Qwen3-VL-8B SFT 后 Overall 46.6→64.1（+17.5），Multi-turn 45.9→77.8（+31.9），General 46.7→60.9（+14.2）；Pass@3 28.6→50.8，Pass^3 21.6→37.2 (p.8, Table 1)
• 4B 模型：Overall 33.9→42.2（+8.3），但 General 的 Pass@3 13.7（−0.6）、Pass^3 10.6（−0.6）反而略降 (p.8, Table 1)
• ClawMark（仅 SFT，单次运行）：8B 从 11.8 提到 19.4（+7.6），仍远低于参考模型 GPT-5.4 的 56.7 和 Kimi K2.5 的 56.0 (p.9, Table 2)
• SFT 后接 RL（8B，Claw-Eval Overall）：GRPO 56.6、GDPO 57.2、Dr.GRPO 54.3、GiGPO 60.7；Multi-turn 上 GDPO 最高 74.9，GiGPO 在 General 最高 59.7；Multimodal 基本不变（20.7→21.0~22.1）(p.10, Table 3)
• 数据规模消融：SFT 数据 20%/50%/100% 对应 Overall 50.8/55.6/64.1 (p.10, Table 4)；混合 SFT 候选 1,809 条经转换仅保留 937 条（494 条无可用交互）(p.23)

核心思想（LLM 生成任务 + 程序化验证 + 教师轨迹过滤 + 同一环境供 SFT/RL）与 APIGen-MT、CUA-Gym、Occamy、Cowork-Gym 等高度相近，并非方法上的突破。可取之处是工程上的“grader 一致性门”（满分/空记录/禁用调用的合成测试）、泄漏检查和固定模板复用，让生成任务可自动验证；以及在协作场景下 GRPO/Dr.GRPO/GDPO/GiGPO 的一次对比。总体偏资源和配方整理，创新增量有限。

主要提升的基线是同尺寸未微调的 Qwen3-VL-8B，且训练任务与测试集同属 Claw-Eval/ClawMark 风格，不能完全排除任务模板或分布相近带来的收益；论文声明 ID 不重叠，但仅验证了 M1100–M1124 这 25 个与官方 300 任务无重叠，其余未展示。Multi-turn 仅 38 个任务，且评分依赖 Claude Opus 4.6 模拟用户/评审，77.8 与前沿模型比较需对齐设置，作者也承认不能据此宣称超过某模型。仅报告均值，无种子方差或置信区间；4B 模型的 General Pass@3/Pass^3 略降。ClawMark 仅 +7.6 且绝对分仅 19.4，参考分数来自单次运行 Run 1 的网站数据而本文为不同协议。RL 部分只是训练奖励曲线（平滑后波动明显）加一次最终评测，各方法混杂配置差异，“GRPO 优于 GDPO 于多模态”等结论在 0.3–1.4 分内，处于噪声范围。数据规模消融只有 20/50/100% 三点且仅单次。无任务级人工质量审查，grader 仅检查工具调用，教师成功不等于语义正确。

✅ 官方资源 · https://github.com/HKUST-KnowComp/CoworkEnv
官方仓库存在（MIT，截至核验约 9 星，近期有推送），论文称发布数据集和构造流程，并链接 Models 和 Lessons。教师轨迹的重新生成需要专有模型（claude-opus-4-8），复现 SFT 为 LoRA 8B 规模，RL 需用 slime/Polar 及多服务环境；具体数据与权重的完整性未能从论文确认。

为什么有意思直觉上我们以为“学会识别谣言”就是背下谣言有哪些套路，这篇发现：多背概念并没有帮助，反而是反复给例子分类（像认鸟一样练“眼力”）让学生更会分辨真假标题。日常意义是，刷短视频时我们大多是快速凭感觉判断，训练“直觉本身”可能比叮嘱“要批判性思考”更管用。另一个有趣点：训练后他们更愿意转发正常内容，不是变得一律多疑。

属于哪个分支与学科脉络属于认知心理学（类别学习）与教育心理学、社会/政治心理学中错误信息研究的交叉。这几年预揭穿（inoculation）研究从实验室大样本在线实验，转向游戏、视频，再转向学校真实场景，并开始用信号检测论反驳“只是增加怀疑”的质疑。这篇是延续并补充：把类别归纳作为可能的“有效成分”，同时借助Terracotta这样的课堂实验平台，属于“把认知科学搬进真实课堂”的新趋势。

对想学心理学的人这篇展示了一个典型的应用研究流程：在合作学校里随机分组、前后测、混合效应模型、信号检测、风险对照设计，样本约190人、单一学校、一位教师，也说明现实研究常有这样的限制。想做这个方向，需要实验设计、R语言统计、教育与认知理论，还要学会与学校沟通、处理伦理（家长退出权、交叉补偿）。就业上，教育心理、学习科学、平台和政策机构（如数字素养、反虚假信息项目）都有需求，但岗位多在高校与研究机构，需要读研。

背景 错误信息（虚假或误导性信息）很难在事后纠正，所以“预先揭穿”（prebunking，在接触前就训练抵抗力）受到关注；但学校里常见的“先讲概念再做测验”往往只产生“惰性知识”——课堂上会背，真遇到时用不上。已有的预揭穿游戏有效，但把分类练习和剧情、积分等游戏元素混在一起，不清楚真正起作用的是什么。

方法 在美国一所高中的九年级荣誉公民课中，两个学期（2025和2026春）共191名学生（参与率83.8%）参与。学生被随机分配到两种每周作业：（1）“分类归纳”组——给AI生成的社交媒体帖子判断属于人身攻击、情绪化语言、虚假二分、归咎替罪羊、逻辑不连贯或无操纵，连续答对10题或做满30题过关；（2）“主动控制”组——看约1.5分钟的讲解视频（来自Roozenbeek等2022）后做8道选择题。共5周，前后各有一次问卷：前测后测测量转发意愿，后测包含MIST（误信息易感性测试）的10道真假新闻标题题、概念选择题和元认知自评。第7周后两组交换条件，主要分析只用交换前的数据；分析用线性模型、混合效应模型、生存分析和信号检测框架（命中率减虚警率）。研究自称是探索性的。

• 分类练习中，学生的正确率从第1周的60.5%升到第5周的77.3%，答对比例的优势比OR=2.06，达到连续10题正确标准的人从49.5%升到73.9%（p.20）
• MIST真假标题分辨力（命中减虚警，范围−5到+5）：分类组2.13 vs 控制组1.29，差异b=0.84，95%CI[0.22,1.46]，p=.008，Cohen's d=0.42；整体“倾向判假”的偏差两组无显著差异，p=.21（p.24-25）
• 自述转发意愿：对训练过的操纵类帖子，分类组后测更不愿转发（b=−0.49，p=.005，d=0.51）；对无操纵帖子更愿转发（b=0.78，p<.001，d=0.82）；但对未训练的操纵手法（如稻草人、滑坡）无差异（p=.864）（p.26-27）
• 概念知识选择题：控制组48.1% vs 分类组52.9%，p=.166，分类组没有更差（p.24）；元认知自评MANOVA无显著差异，p=.318（p.27）
• 分类组每次作业平均4.5分钟，控制组3.6分钟，差异显著（p=.017），两种作业的时间投入不同（p.22-23）

新意在于把“纯分类练习”从游戏中剥离出来，放进真实课堂并和一个认真设计的常规教学（视频+选择题）做随机对比，而不是和空白对照比；还用信号检测分开看“分辨力”和“一律怀疑”的偏差，回应了对预揭穿游戏只是让人更爱判假的批评。但它不是在分离“归纳”这一单一成分——交错出现、时间更长、含定义等都混在一起，所以更像一个应用层面的证据，而不是理论检验。

优点：学生随机分配，对照是认真设计的真实教学，效应方向跨多个指标一致，数据与代码开放，信号检测排除了“只是更爱判假”的偏差。问题：（1）作者明确说研究是探索性的，没有预注册，多个结果指标和多重检验未做校正，p=.008、.005这类结果应谨慎看待；（2）样本约191人（MIST分析自由度162，说明部分学生数据缺失），仅来自一所学校的荣誉班、同一位老师，高成绩、较高家庭资源，难外推；（3）两组差异不止在“归纳”，还有交错练习、时间更长、含定义、有无干扰项，结果不能归因于归纳本身；（4）关键结局是自述转发意愿和只有10题的MIST，没有真实行为，也没有延迟测验，不知效果能持续多久；（5）训练的帖子是AI合成的，且与测验内容有一定接近，对“未训练手法”没有迁移；（6）“控制组更差”部分原因可能是后测的选择题对分类组是新题，对控制组是重复题，设计复杂；（7）作者与相关研究者有一定重叠（Roozenbeek同时是视频作者），但声明无利益冲突。效应量中等（d≈0.4–0.8），在小样本探索性研究中常被高估。

✅ 官方资源 · https://osf.io/cknrg/
作者声明全部材料、数据和R分析脚本均在OSF公开（我未能核验链接内容）；刺激帖子库的生成与验证见另一篇预印本Moore & Motz (2026)；Terracotta是开源的课堂实验插件；干预所用的5个视频来自已发表的Roozenbeek等2022研究。复现需要有LMS（学习管理系统）的课堂和Terracotta部署。

为什么有意思直觉上，AI 谈判成绩好就意味着“它懂对方”。这篇显示，GPT-5 的出价平均比真人更讨买家喜欢，却几乎猜不出买家真正看重什么（Llama 的权重猜测与真值相关接近 0）。日常里也类似：对方犹豫很久才拒绝，人会感觉“差一点就成了”，LLM 却读不出这种“犹豫”的意思；这提醒我们，让 AI 代谈判或代选东西时，结果不错不代表它真的理解了你。

属于哪个分支与学科脉络属于认知与决策、社会认知（心智理论）与 AI×心理学交叉的方向。近几年 LLM 的心智理论研究从 Sally–Anne 这类单次文字题，走向多轮博弈和过程数据；同时有人主张用 Centaur 这类“认知基础模型”当作人类认知的通用模型。这篇处于“检验并部分反驳”的位置：认知微调模型在互动式社会推断中没有稳定优于其基础模型 Llama，也说明用过程数据（反应时间、眼动）来评估 AI 的做法正在兴起，作者团队此前就在做相关的人类研究。

对想学心理学的人这篇展示了一个典型的现代实验心理学流程：先有真人实验（被试配对、眼动仪、激励设计），再用同一任务测试模型，并用混合效应模型处理重复测量，同时在另外两个公开数据集上重复验证。需要的技能包括实验设计、R/lme4 统计、Python 调用模型和一点决策建模；反应时间、眼动这类“过程数据”是认知科学的核心工具。这个交叉方向目前在学界和 AI 公司的人机交互、AI 评估岗位都有需求，但职位还偏研究型，需要同时懂心理学方法和机器学习。

背景 AI 越来越多地替人做决策、谈判，人们常用“决策结果好不好”来判断它是否有社会认知（心智理论，即推测他人想法的能力）。但人类推断他人偏好时，不仅看对方的选择，还会看反应时间（犹豫多久）和视线（先看了哪里）。此前的 LLM 心智理论测试多为单次、文字描述型任务，很少检验模型能否在多轮互动中从这些行为痕迹里逐步学习。

方法 以一个已有的真人“多属性讨价还价”数据集为基准（158 名被试，79 对买家-卖家，每对 20 个商品类别，每类最多 4 次出价），让 Llama 3.1 70B Instruct、认知微调模型 Centaur 和 GPT-5 扮演卖家，从 12 个选项中挑选出价，并在提示中给出不同信息：仅选择、选择+反应时间、选择+首个注视属性、三者全有。主要指标是出价效用（按买家隐藏权重计算的得分）、出价与买家真实偏好的相似度、模型明确猜出的权重与真值的相关。随后在另两个已发表的范式（Konovalov–Krajbich 经典讨价还价、Bavard 等的独裁者游戏）中检验反应时间的使用，并用线性混合模型和自助法等统计。

• 三个 LLM 的出价效用都高于真人卖家：GPT-5 平均 86.43，比人类高 7.90 分（95% CI [7.29, 8.52]）；Llama 高 1.41，Centaur 高 1.33；但都低于“直接选属性总和最高的选项”这一简单启发式（GPT-5 低 2.03，Llama 低 8.52）(p.4)
• 明确推断买家权重时，真人（指令偏好块）与真值相关 r=0.480，Llama 仅 r=−0.004，GPT-5 r=0.197；差距分别为 −0.378 和 −0.150（均 p<.001）(p.9)
• 反应时间的使用：真人的“买家反应时间—相邻出价相似度”相关 r=0.23，GPT-5 仅 r=0.10，Llama、Centaur 无显著关联；加入反应时间后，三个模型的出价效用反而下降（Llama −2.17，Centaur −0.85，GPT-5 −1.05）(p.4, p.6)
• 经典讨价还价中，让反应时间可见使真人第二次出价对反应时间的斜率增加 3.423 点（95% CI [1.340, 5.566]），而 Centaur −0.270、Llama −0.177、GPT-5 +0.271，均无可比的增加 (p.10-11)
• 独裁者游戏中，仅提供反应时间使偏好恢复斜率在真人中提高 0.308，Llama −0.267，Centaur 0.036，GPT-5 −0.162；真人仅凭反应时间的偏好恢复 r=0.844，模型为 0.425–0.569 (p.11)
• 自然偏好 vs 指令偏好：真人在自然偏好块对齐度提高 0.259，LLM 几乎没提高（Llama 0.039，GPT-5 −0.032），因此在自然偏好块三个模型都低于真人（−0.120 到 −0.167）(p.8)

新意主要在于测试设计：不只看 LLM 能否做出好决定，而是把“决定质量”与“对他人偏好的真实推断”分开测量，并引入反应时间、视线这类过程数据，在多轮互动里评估。把同一结论放到三个范式里重复，并加入 Centaur 对照以检验认知微调是否能迁移，也有价值。但“LLM 会用清晰的文字线索、不擅长用连续间接线索”这一大方向并不令人意外，结论更像对已有认识的细致量化，而不是颠覆性发现。

优点：三个范式一致地指向反应时间使用较弱；有真人基线、随机和启发式基线；统计考虑了重复测量；主要对比在独裁者任务中标明为预先设定。局限不少：(1) 人类样本仅 158 人，且是汉堡大学学生（平均 24.9 岁，113 女），并非多样样本；(2) 反应时间与视线对 LLM 是以文字形式给出的，真人则看实时界面，两者并不严格等价；作者承认这一点，而且“首次注视属性”是很干净的符号输入；(3) 提示词写法对结果影响很大（直接 vs 间接措辞影响 Llama/Centaur），反应时间提示的设计也可能影响结果，无法排除“提示没写好”；(4) 经典讨价还价和独裁者数据公开已久，训练污染无法排除；(5) 模型输出多为单次或确定性结果（独裁者任务每个模型每种条件每位独裁者仅一个估计，GPT-5 无法调温度），统计推断的自由度很大，如大量混合模型中 t 的自由度达万级，因为把 LLM 重复输出当作样本；(6) 独裁者任务中，反应时间单独条件下三个模型的 p 值经校正后均不显著，但人类的优势主要体现在交互项（p=.029，主要对比 p=.004），证据不算很强；(7) 效应较小的差异（如 Llama 比人类高 1.41 分）显著性主要靠大量重复样本。关于“人类依赖先验知识”的解释只是推测，没有直接检验。结论主要是相关性和描述性的，利益冲突未发现。

✅ 官方资源 · https://github.com/mrugseniisc/BargainingLLMs
论文声明数据和分析代码在 GitHub 公开（官方）。LLM 提示词放在另附的 Supplementary Prompt File 中。未见预注册说明，仅独裁者任务提到“预先设定的主要对比”。复现需要一台能跑 70B 模型的算力集群，外加 GPT-5 API；其中人类讨价还价数据来自 bioRxiv 预印本（尚待核实其公开状态），另两个范式的数据来自已发表研究。

为什么有意思人们常觉得“心情不好时应该去找人聊聊、不要一个人闷着”，这篇研究发现的现象恰恰相反：状态越糟，越想一个人待着，哪怕已经独处也不会转头找人，甚至身边是亲近的家人时也是如此。它把“想躲起来”从“有问题”重新理解为“一种自我调节的需要”，也提醒我们，家人看到你想独处时，也许不必立刻解读为你拒绝关心。注意：论文没有证明独处后真的会好受些。

属于哪个分支与学科脉络属于社会/人格心理学与情绪调节的交叉，聚焦“独处”（solitude）这个近年升温的方向，作者所在实验室长期研究独处。这个领域过去十年的趋势是：从把社交退缩当作病理，转向区分“被迫的孤立”“孤独感”和“主动选择的独处”，并用日常追踪取代一次性问卷。本文延续了Ren等关于被排斥后寻求独处的工作，把它推广到更一般的负面状态，位置是“延续并扩展”，同时用生物学的稳态/应变稳态框架给了一个新理论对话对象。

对想学心理学的人这篇是典型的现代“密集纵向”研究：手机App每天多次采样，数据是“多次测量嵌套在个人内”，需要多层/混合效应模型，并要把“同一个人的波动”与“人与人的差异”分开。作者还做了事前功效模拟、多重比较校正、数据与代码全开放，并坦率交代预注册晚于数据收集，是学习开放科学实践的好样本。想走这个方向，需要R语言（lme4）、测量与研究设计、对因果推断的敏感度；日常追踪方法在临床、健康与数字行为研究中需求较大，但学术岗位有限、竞争激烈，会统计与数据处理的技能也适用于业界。

背景 人是社会性动物，为什么有时反而想独处？以往研究多把“偏好独处”看作长期、不良的特质（与焦虑、孤独相关），也有研究发现被排斥后人会想独处。“社会稳态”模型认为人像调节体温一样调节社交量：社交不足就想找人，因此孤独时应想要陪伴；本文提出另一种“allostasis（应变稳态，指身体随外界压力动态调整而非回到固定设定点）”的解释。

方法 作者用生态瞬时评估（EMA，即手机每隔几小时弹出简短问卷，记录当下状态）做了三项研究：研究1为110名18–45岁成人（高校通讯和Prolific招募，每天6次、共7天）；研究2为68名16–20岁学生（每天6次、10天，预注册）；研究3为235名按英国人口普查配额匹配的成人（仅1天最多5次）。每次询问当下是否独处、更想独处还是与人相处，并测量负面情绪、心情变差、孤独感、当日社交负担。用逻辑回归混合效应模型分离“个人内波动”（同一个人比平时更糟时）与“个人间差异”，检验负面状态×是否独处的交互作用，并用Benjamini-Hochberg法校正多重比较。研究2、3还询问想独处的理由，分为“自我决定型”（休息、独自思考、处理情绪）和“非自我决定型”（躲避不愉快的人或互动）。

• 研究1：个人内负面状态预测更想独处——负面情绪OR=1.47，心情变差OR=2.29，社交负担OR=2.54（均p<.001）；但已独处时这些关联基本消失（简单斜率OR约1.00、0.99、0.92，均不显著），即不会转而想找人（p.11–12）
• 研究2（预注册）：负面情绪OR=1.35、心情变差OR=2.07、孤独OR=1.14（p=.012）、社交负担OR=1.78；独处时关联不显著，偏好停在约50%的随机水平，而非转向想要陪伴（p.17–18）
• 研究3（英国代表性样本）：负面情绪OR=1.37、心情变差OR=2.06；但社交负担校正后不显著（pBH=.056），孤独感主效应不显著（OR=1.07，p=.513）；负面情绪×情境交互OR=0.74（p=.036）、心情变差OR=0.29（p=.005）（p.23–24）
• 想独处的理由总体更偏“自我决定型”（研究2 B=0.18；研究3 B=0.27，均p<.001），但状态越差，“躲避他人”的理由上升越快；研究2中非自我决定型的负面情绪交互校正后不显著（pBH=.088），孤独感交互显著（pBH=.037）（p.18–21, 25）
• 研究3中社交负担×情境交互的置信区间极宽（OR=2.11，95% CI 0.27–16.25），作者承认估计不可靠；只有一个性别交互出现（男性负面情绪与独处偏好关联更强），且置信区间过宽无法定论（p.24–25）

新意主要在于把“独处偏好”从特质（稳定的性格倾向）转为“此刻的状态”，并把生物学里的社会稳态与allostasis框架引入心理学做竞争性检验，关键证据是“已独处且状态不好时仍不想找人”这个检验点。三项研究用不同人群方向一致，这一点有价值。但“allostasis”更像事后的解释框架：更直接的竞争性解释（自我隐藏、需要隐私、懒得社交、情绪低落导致动力下降）并未被区分，所以并非决定性地击败了社会稳态模型。结论“退缩可能有益”还没被检验，因为并未测量独处后情绪是否好转。

优点：三个样本方向一致；数据、代码、材料全部开放；用了个人内/个人间分解、功效模拟与多重比较校正；作者主动报告了未通过校正的结果（如研究3社交负担、研究2/3部分理由交互）。局限：①完全是相关数据，无法判断先后顺序，作者自己也承认，且“想独处”与“心情差”可能共同受第三方事件（如家庭冲突、赶截止日期）驱动；②“偏好独处”只用单个三选一题，已独处时的“想继续独处”也可能只是惰性、疲惫或已有活动，并不一定是“调节”；allostasis并没有直接测量（无生理指标、无能量/负荷测量），只是行为模式与之相容，与社会稳态的“区分”主要靠已独处时关联不显著，而“不显著”不等于“无关联”，研究2里这个关联其实方向上仍是正的（OR 1.12、1.16）；③样本：研究1多为高校人群与Prolific，研究2仅68人、女生55人、来自单一学校班级，完成率低（仅34人完成30次以上），研究3虽为英国代表性配额样本，但只测一天、多数人只填1–几次，社交负担估计很不稳；全部为英国/西方背景；④研究2预注册在数据收集后才提交，并且改了分析策略，研究1、3为探索性，三项研究也不是严格的独立确证；⑤自我决定/非自我决定理由用是/否题，EFA因子载荷偏低（.41–.70），仅2–3个条目，测量较粗糙；⑥效应量：OR 1.1–2.5，个别OR不小但“偏好”本身是二分类，实际预测力未报；⑦作者单人完成，部分写作与代码使用AI辅助（已声明）。总体：对“状态差时偏好独处”的描述性结论较可信，对“allostasis优于稳态”和“独处有调节作用”的理论结论证据偏弱。

✅ 官方资源 · https://osf.io/aemg8/overview
作者称三项研究的全部材料（Expiwell问卷PDF）、匿名原始数据（.csv，研究2、3含codebook）、R分析脚本（.Rmd，含README与功效模拟代码）均在OSF公开，并已在OSF注册DOI；研究2预注册为OSF 9HX5W（另存Zenodo）。研究1、3未预注册。可直接复现全部分析。

为什么有意思人们常凭直觉认为“大麻伤脑”或“大麻没什么大不了”，这篇结果两头都不完全支持：使用者认知确实更差，但一旦把喝酒、吸烟等也算进去，大麻自己的“独门”效应就看不出来了。这提醒我们，青少年的物质使用往往是“打包”出现的，把锅甩给单一物质可能太简单。对家长和教育者来说，关注整体的风险行为比只盯着一种药物更现实。

属于哪个分支与学科脉络属于发展心理学、成瘾与认知神经科学的交叉领域。近年这个方向的趋势是从小样本横断面比较，转向像ABCD这样的大规模纵向队列，并且越来越强调基线控制、混杂因素和“相关不等于因果”。这篇处于“延续并细化”的位置：它用更好的设计复核旧结论，并显示效应对控制变量很敏感，更接近一篇方法审慎的修正，而不是开创。

对想学心理学的人这篇很典型地展示了现代心理学研究：公开的大型队列数据、多时间点测量、回归模型、多重比较校正和一系列敏感性分析，而不是简单的组间t检验。要做这类研究需要统计（线性模型、混合效应模型）、R或Python编程、处理缺失数据和偏态数据的能力，以及对因果推断的敏感度。这个方向在高校和公共卫生、成瘾研究机构里有较多岗位，但通常需要研究生训练和数据分析技能。

背景 青少年使用大麻是否会损害大脑和认知发展，此前研究结论不一，常因样本小、没有使用前的基线数据、难以排除家庭背景等混杂因素而受质疑。ABCD研究（美国规模最大的青少年脑发育长期追踪项目）提供了使用前就有测量的大样本，使得更严格地检验这个问题成为可能。

方法 分析N=4,191名青少年，在约10岁（基线）和约16岁（第6年随访）时完成神经认知任务，涵盖整体认知（晶体智力即积累的知识词汇、流体智力即解决新问题的能力）、记忆、执行功能、处理速度、奖赏敏感性和语言技能。以终身累计使用次数按中位数分为三组：不使用、低使用（≤5次，平均1.8次）、高使用（>5次，平均256次）。主模型比较第6年成绩的组间差异，控制基线成绩、性别和年龄，并做Bonferroni校正（19项检验，一种防止多重比较造成假阳性的严格方法）。敏感性分析依次加入社会经济地位（SES）、其他物质使用，以及两者同时控制。

• 大麻使用与第6年较差的晶体认知功能显著相关（β范围约-0.23至-0.21，校正后p<0.05）(摘要)
• 与较差记忆显著相关（β范围约-0.35至-0.17）(摘要)
• 与较差语言技能显著相关（β范围约-0.26至-0.13）(摘要)
• 仅控制SES后，这些效应大体保持一致 (摘要)
• 进一步控制其他物质使用后，大麻的独特效应不再统计显著 (摘要)
• 分组：低使用组平均1.8次，高使用组平均256次，两组使用量差距极大 (摘要)

新意主要在于用ABCD大样本加上使用前基线成绩来控制，并且诚实地报告了控制其他物质后效应消失。这比单纯得出“大麻有害”更有信息量，但方法本身（协变量调整的回归、分组比较）并不新，属于对已有争论的更严格检验，而非颠覆性发现。摘要的结论“很可能有整体负面影响”与“控制其他物质后不显著”之间存在张力，措辞偏强。

只有摘要，无法核对全文细节。优点：样本大（N=4,191）、有使用前基线、做了多重比较校正和敏感性分析。局限：（1）观察性研究，不能断定因果，摘要中“likely has a negative effect”措辞偏强，尤其在控制其他物质后效应不显著；（2）中位数分组把连续使用量粗略压缩，且“不使用”与“低使用（平均1.8次）”可能与“高使用（平均256次）”并非同类；（3）使用其他物质的变量与大麻高度共线，难以分离各自贡献；（4）β范围较宽，效应量的实际意义（例如对应多少分数）从摘要看不出；（5）使用者可能一开始在家庭环境、遗传风险或心理健康上就有差异，仅控制基线成绩、性别、年龄和SES未必够；（6）可能存在随访流失偏倚，样本是否代表美国青少年（ABCD为美国样本）需看全文；（7）未知是否预注册；（8）预印本，未经同行评审。

❌ 无公开资源 · https://osf.io/preprints/psyarxiv/7txz9_v2/
这是官方预印本页面，但没有检测到代码或分析材料链接。ABCD数据本身需向NIH申请授权后获取（此点来自对该研究的一般了解，摘要未提及），复现需要数据使用协议和较强的统计技能。摘要未提到预注册。

为什么有意思直觉上我们以为“换个更厉害的算法就能预测得更准”，这篇指出有一部分人无论用哪种算法都被预测错，问题在于人而不在于模型。放到现实里，如果将来有软件告诉你“这种疗法大概率对你有效”，那它对约五分之一的人可能格外不可靠，而且用户应该被告知。有趣的是，躯体不适、情绪压抑的人更难预测，这和“有些人的痛苦不容易被问卷捕捉”这一常见临床印象吻合。

属于哪个分支与学科脉络属于临床心理学与精准心理健康（precision mental health）的交叉，也涉及机器学习在心理学中的应用。过去十年的方向是：先证明能预测治疗结局，再关心预测能否落地到临床决策支持。这篇处于“延续并反思”的位置：不再追求更高的整体准确率，而是追问模型在哪些人身上失效，与算法公平性、不确定性量化的讨论相通。作者团队来自心理治疗研究（Rubel 等人的工作以治疗过程与结局研究著称）。

对想学心理学的人这篇体现了现在临床研究的一种常见做法：用已有的大型真实门诊数据做二次分析，结合预注册、多种算法对比和聚类等方法。想做这个方向，需要扎实的统计基础、会用 R 或 Python 做机器学习，同时懂临床测量（症状量表、治疗过程）。这类“心理学+数据科学”的复合技能在科研、数字健康公司和医疗机构里都有需求，但真正落地到临床的决策工具仍处于早期。

背景 近年来很多研究用机器学习预测哪些来访者治疗后会好转，希望给临床医生提供决策辅助。但这类模型通常只报告整体准确率，把预测错误当作随机噪声。作者追问：错误是否并不随机，而是集中在某类患者身上，与具体用哪种算法无关？

方法 这是一项对 1,858 名自然情境（真实门诊而非严格控制的试验）门诊患者数据的二次分析。研究者训练了 15 种机器学习算法来预测治疗结束时的症状严重程度。然后计算各模型预测误差（残差，即预测值与真实值之差）之间的相关性，用 k-means 聚类（把误差模式相似的人自动分组）分出预测难易的群体，再用 LASSO 逻辑回归（一种自动筛选重要变量的回归）找出基线变量中哪些能区分“难预测”群体。摘要提到有预注册链接，但只有摘要，具体验证方式和变量细节无法确认。

• 15 种算法的残差之间高度一致，相关系数 r = .89，说明预测困难来自共同来源而非算法差异（摘要）
• 聚类得到两组：预测良好的多数组 n = 1,479（约 79.6%），难预测亚组 n = 379（约 20.4%）（摘要）
• 难预测亚组在基线时的特征是躯体不适（somatic distress）、情绪抑制、人际焦虑（摘要）
• 婚姻稳定和抑郁症状与更好的可预测性相关（摘要）
• 摘要未给出预测准确率、效应量或分类模型的表现（摘要）

把预测误差本身当作研究对象，而不只是比拼哪种算法更准，这个视角有价值。结论“难预测是患者的属性而不是算法的属性”在直觉上合理，因为不同算法用同一批变量，错的地方自然重合。但 r = .89 的一致性也可能只反映各模型都用了相同的预测变量、都在回归均值，因此新意更多在问题设定和对临床沟通的启示，而非技术突破。

仅凭摘要，有几点需要谨慎。第一，样本为单一或少数来源的自然情境门诊患者，代表性和文化范围不明（作者来自阿根廷和德国，可能是德语区或拉美数据，摘要未说明）。第二，没有给出效应量、预测准确率或对难预测亚组的分类性能，无法判断“可识别”到什么程度，LASSO 区分两群的 AUC 不明。第三，k-means 会强行切分数据，383 与 1,479 的二分可能部分是聚类方法的产物，而非天然分界；难预测亚组可能只是残差极大值的尾部。第四，r = .89 可能是共同预测变量与共同回归均值的结果，不一定意味着“患者特质”这一解释。第五，相关性分析不能说明因果，例如“情绪抑制”导致难预测只是关联。优点是有预注册链接，且用了 15 种算法，降低了结论依赖单一模型的风险。摘要里没有提到外部验证。

❌ 无公开资源 · https://osf.io/yqd25/overview
核验到一个预注册页面（OSF）。摘要中未说明数据和代码是否公开；临床门诊数据通常涉及隐私，可能不能完全开放，需要看全文确认。复现需要获取同样的自然情境患者数据，难度较高。

对患者家庭意味着什么如果老人有明显的激越行为（如打人、骂人、游走、反复要求）且非药物办法效果不够，这类研究说明布瑞哌唑可能对常见的困扰行为有帮助，可作为与医生讨论的选项。但参与者中位年龄仅74岁，比86岁的老人年轻不少，结果对高龄者的适用性不确定。摘要没有提到安全性数据，而这类药物在老年痴呆人群中需要特别关注风险，必须由主治医生权衡。

证据等级与距离落地证据来自三期随机对照试验的事后分析，属于探索性、假设产生性质，等级低于预先设定的主要结果。样本610人，随机对照期12周，24周数据仅159人且没有安慰剂对照。药物本身已有三期试验，部分地区已获批用于相关激越（获批范围以所在国家为准，摘要未说明）。摘要未报告高龄或多病共存亚组结果，也未报告副作用。

照护上可借鉴的做法这篇论文本身对日常照护的直接启发是：可以按具体行为（骂人、游走、反复提问、抓人等）逐条记录频率，而不是笼统说“最近很躁”，这样看诊时能更清楚地和医生讨论哪些症状最困扰、用药后是否有变化。药物相关的任何决定（是否使用、剂量、何时减停）都需与主治医生讨论；通常应先排查疼痛、感染、便秘、睡眠、环境刺激等诱因，并优先尝试非药物办法。

背景 阿尔兹海默症患者常出现激越（躁动、攻击、游走、反复要求等），既让照护者痛苦，也常是家庭决定送入机构的原因。布瑞哌唑已在一些地区获批用于治疗阿尔兹海默型痴呆相关激越，此前主要看总体量表分数，本研究想进一步看具体是哪些行为在改善，尤其是照护者最困扰的行为。

方法 合并了两项为期12周的三期随机双盲（布瑞哌唑或安慰剂）试验，以及一项12周的三期布瑞哌唑延长试验的数据。参与者为伴有激越的阿尔兹海默型痴呆患者，居家或住在长期照护机构。用 Cohen-Mansfield Agitation Inventory (CMAI) 的29个条目评估症状频率，重点分析此前一项照护者调查中被评为最困扰的11个症状。这是事后（post hoc）探索性分析，不是预先设定的主要假设检验。

• 共610名参与者（中位年龄74岁，女性55.5%）；布瑞哌唑2或3 mg/天组363人，安慰剂组247人（摘要）
• 11个最困扰照护者的激越症状，从基线到第12周频率均下降，到第24周进一步改善（第24周 n = 159）（摘要）
• 第12周时，布瑞哌唑组在11个症状中的9个上数值改善大于安慰剂组，包括骂人/言语攻击、吐口水、反复说同一句话或提问、打人、不断无理要求关注/帮助、想去别处、踱步或漫无目的游走、抓人或抓物、踢人（摘要）
• 另外18个非最困扰症状的频率也均下降（摘要）
• 治疗24周后，29个症状中有15个发生频率低于每周一次（摘要）

新意主要在视角：从“总分变化”转向“具体行为”，并按照护者调查的困扰程度筛选症状。但方法上只是对已有三期试验数据的再切分，没有新的随机对照证据。摘要里“数值上更大”未给出效应量、置信区间或P值；且安慰剂组也有改善，24周数据没有安慰剂对照，因此不能证明药物对具体症状的独特作用。

主要局限：①事后探索性分析，易有多重比较和选择性报告问题；②摘要只说“数值上更大”，未给统计检验结果，临床意义不明；③安慰剂组同样改善，激越症状本就会波动，24周无对照；④参与者中位74岁，高龄与多病共存人群代表性不清；⑤摘要未报告不良反应、死亡率或跌倒等安全性结果，对老年痴呆人群这是关键缺口；⑥11个“最困扰”症状来自另一项照护者调查，但该调查的规模和代表性摘要未说明；⑦作者多数与药企相关（Such P 等作者姓名无法在摘要中核实，资助与利益冲突摘要未披露，需看全文）。因只有摘要，以上结论仅基于摘要所述。

❌ 无公开资源 · https://europepmc.org/article/MED/42888370
Europe PMC 显示非开放获取，仅有摘要。试验注册号：NCT01862640、NCT03548584、NCT03594123，可在 ClinicalTrials.gov 查询。未发现可直接用于家庭的照护工具或指南；CMAI 是已有的公开量表。

对患者家庭意味着什么对一位86岁、已确诊且可能在机构或居家的老人，这个话题有现实意义：很多老人长期服用多种降压药，值得定期评估是否仍需要。但本综述并不能证明减药一定更好或更安全：长期随访的一项试验中死亡风险无差别，另一项短期试验提示可能有升高趋势但不确定。因此这只是一个值得与医生讨论的问题，不是该自行停药的依据。

证据等级与距离落地证据来自随机对照试验的系统综述，但只有3项试验、1548人，且设计差异大、无法合并，GRADE 与偏倚评估显示许多结局证据稀少或有偏倚风险。试验人群是护理机构住户（含痴呆者），与高龄痴呆患者较接近，但摘要未说明具体痴呆比例。减药本身是已有药物的使用调整，不存在审批问题，限制在于缺乏明确的获益与风险结论和统一方案，目前尚不能形成确定的通用建议。

照护上可借鉴的做法可在下次药物回顾时，请主治医生或药师评估：目前每种降压药的必要性、近期血压水平、是否出现头晕或跌倒、预期寿命和照护目标。如果考虑减药，应与医生讨论由医护监督下的方案，包括减药步骤、血压监测频率，以及血压升到多高就恢复用药。家属可记录血压、跌倒、头晕、精神状态和进食变化，帮助医生判断。任何减药或停药都需与主治医生讨论，不要自行调整。

背景 降压药对老年人的益处主要来自与护理机构住户差异很大的人群；住户常有衰弱、痴呆、多病共存和多重用药，预防获益与用药负担之间的平衡可能不同。本综述想弄清：在护理机构中，有计划地减停降压药的随机证据是否足以合并出一个共同的效应估计。

方法 系统综述，检索 MEDLINE/PubMed、Embase、CENTRAL、CINAHL、Web of Science、试验注册库和 PROSPERO，更新至2026年8月20日，纳入护理机构中有计划减停降压药的随机或整群随机研究。只有当至少两项研究在临床和方法学上足够相似时才做荟萃分析，否则做逐项研究的结构化描述。用 RoB 2 评估偏倚风险，用 GRADE 评估证据确定性。最终纳入3项试验共1548名住户。（仅基于摘要）

• 共纳入3项随机护理机构研究、1548名住户；各研究在人群、减药策略、监测、重新用药标准和随访时长上差异很大，没有任何结局适合合并荟萃分析（摘要）
• RETREAT-FRAIL：全因死亡校正后 HR 1.02（95% CI 0.86-1.21），中位潜在随访38.4个月，即减药组与继续用药组死亡风险无明显差别（摘要）
• DANTON：全因死亡 HR 1.65（0.95-2.85），随访至32周；区间较宽且跨过1，既不能证明有害也不能排除有害；Gulla/COSMOS 没有经整群校正的死亡比较估计（摘要）
• DANTON 16周时，减药使收缩压升高11.0 mmHg（5.6-16.4）、舒张压升高4.6 mmHg（1.1-8.1），降压药数量减少1.2种（1.0-1.4）（摘要）
• 住院、跌倒、心血管事件、认知、功能和生活质量方面的证据稀少、各研究结局不同或存在偏倚风险（摘要）

这是针对护理机构人群、专门限定为随机证据的减停降压药综述，其主要价值在于明确指出证据很薄且不可合并，而不是给出新的疗效数字。作者克制地不强行做荟萃分析，这一点比硬凑一个合并值更可信。但它没有产生新的临床发现，只是梳理现有3项试验。

基于摘要：优点是系统检索、预先注册（PROSPERO）、使用 RoB 2 与 GRADE，并拒绝不当合并。局限在于：仅3项试验，其中一项缺少经整群校正的死亡数据；DANTON 随访仅32周、置信区间很宽（0.95-2.85），不能得出结论；各试验的减药策略和随访差异大，难以比较；对住院、跌倒、认知、功能和生活质量等对家属最重要的结局证据不足。血压升高是替代指标，不等于临床结局变差或变好。摘要未披露资助方、利益冲突、各试验的痴呆比例或具体偏倚评分，无法进一步判断。

❌ 无公开资源 · https://doi.org/10.1007/s40266-026-01342-5
Europe PMC 显示非开放获取，仅能看到摘要。已给出 PROSPERO 注册号 CRD420261370802。未见可直接使用的照护工具或指南；纳入试验的方案需查阅各试验原文。

对患者家庭意味着什么对一位86岁、已确诊的老人，这项研究不会直接改变治疗，但提醒一件现实的事：越早把老人的意愿说清楚越好。研究对象是“早期”AD患者，如果老人已到中晚期、难以表达，重点会转向家属根据老人过去的价值观和说过的话来“代为判断”。家属感到“决策冲突”、纠结，是普遍现象，并不代表自己做得不好。

证据等级与距离落地这是单城市（杭州）的横断面问卷调查，使用方便抽样，只能说明某一时间点的情况，不能证明因果，样本量摘要未给出。研究对象为早期AD患者，高龄晚期患者可能未被纳入。它不是药物或干预试验，没有“距离临床可用”的问题，ACP本身现在就可以开展，限制主要在医疗体系和文化观念。

照护上可借鉴的做法1) 主动向主治医生或社工提出想做ACP/预立医疗意愿沟通，因为研究显示医护往往知道但不主动谈。2) 在老人尚能表达时，用简单的话聊：喜欢怎样生活、最怕什么、病重时是否接受插管、心肺复苏、鼻饲等，并记录下来。3) 家庭内先统一指定一位主要代理决策人，并让其他子女参与，以减少事后分歧。4) 家属感到纠结时可寻求照护者支持、心理或社工服务。涉及具体医疗措施的选择，需与主治医生讨论。

背景 预立医疗照护计划（ACP）是指在患者还能表达意愿时，提前和家人、医生沟通将来病重或丧失判断力时想接受什么样的医疗与照护。阿尔茨海默病会逐渐剥夺决策能力，所以越早谈越好，但中国文化中谈论临终常是禁忌，现实中如何推进了解不多。本研究从患者、家属、医护三方视角看谁参与、卡在哪里。

方法 2024年12月至2025年7月，在杭州两家三甲医院和一家社会福利中心，用方便抽样招募医护人员、早期AD老人和AD患者的家庭照护者。通过结构化问卷评估ACP准备度或参与度（家属还评估决策冲突），按STROBE规范报告。数据分析包括描述统计、相关分析和多元线性回归，并用利益相关者理论解释各方差异。摘要中未给出样本量、具体量表名称和效应大小。

• 医护人员ACP知识水平高、态度积极，但ACP相关行为参与度低（摘要）
• 早期AD老人ACP准备度为中等：信念和动机较强，但态度层面的准备度相对较低（摘要）
• 家属ACP参与度为中到高水平，同时存在较明显的决策冲突（摘要）
• 作者认为三方在决策权、可获得资源和利益诉求上存在差异，使ACP呈“碎片化、受结构限制”状态（摘要）

ACP本身不新，但把医护、早期患者、家属三方放在同一项研究中比较，并以利益相关者理论解释，在中国AD语境下角度较完整。不过设计是横断面描述性调查，没有测试任何干预，新意主要在于描绘现状，而非提供解决办法；“知道但不做”的发现在其他国家的研究中也常见。

仅依据摘要：方便抽样、单一城市、三家机构，结果代表性有限；样本量、问卷名称、具体得分与回归系数均未在摘要中给出，无法判断效应大小。横断面设计不能说明因果。“中等”“较高”等描述缺乏具体数字，也难判断是否有临床意义。患者组限于早期AD，对86岁中晚期患者的适用性有限。未见资助方和利益冲突信息。结论中‘权力、资源差异导致碎片化’属于理论解释，未必由数据直接证明。

❌ 无公开资源 · https://europepmc.org/article/MED/42891615
Europe PMC 上仅见摘要，非开放获取；未见公开数据或问卷工具，也未提及临床试验注册（观察性研究通常无需）。全文需通过期刊 Journal of Clinical Nursing（DOI 10.1111/jocn.70604）获取。

对患者家庭意味着什么对一位86岁、已确诊阿尔兹海默症的老人，这篇综述的直接实用价值有限。纳入研究多数是健康或衰弱的较年轻老人（平均年龄约60–76岁），只有一项纳入了轻度认知障碍/轻度痴呆患者，没有中重度患者。文中几乎没有证明手机应用或手环能延缓病情进展，其结论只是『可行、可接受』。对家属而言，更有意义的信息是：规律的轻度活动（如走路）对维持体能和减少跌倒恐惧是有益的，且有一项研究提示步数处方对轻度患者的认知稳定可能有帮助，但这是小型探索性研究。

证据等级与距离落地证据以小型试点随机试验、单臂可行性研究和观察性EMA研究为主，样本多在11–99人，随访4–24周，多数未设盲，且很多只做组内比较。唯一纳入认知障碍患者的试验为60人、24周，评估未盲。这些都不是确证性证据，不能据此推荐治疗。文中的数字设备本身已经上市（如Fitbit、智能手环），技术上今天就能用；但它们是否能延缓痴呆、对高龄重症患者是否有效，还需要更大、更长的随机对照试验，短期内难以得到定论。作者也明确说这类工具目前只能当作『有前景的辅助工具』，不是确立的治疗。

照护上可借鉴的做法可以和医生或康复治疗师讨论：（1）为老人设定一个安全、可逐步增加的每日步行目标，用简单的计步手环或手机记录，由家属陪同或看护者协助；轻度患者研究中，有指导的步数处方比单纯健康教育更能维持步数。（2）多人一起、有人带着做的运动依从性更高：研究中有督导阶段的依从率81%，居家自练降到50%，所以不要只给老人一个应用就放手，家属或照护者的陪伴和提醒更关键。（3）跌倒风险高的老人，可以请康复科评估后做平衡、下肢力量训练（有些研究显示改善了平衡和坐站成绩）；运动方案需与医生或治疗师确认，注意安全。（4）家属自己也值得运动：对痴呆照护者的24周有氧运动试验显示积极情绪提高、消极情绪和反刍减少，这对照护者减压有参考价值。涉及用药或健康状况变化的调整，一律需与主治医生讨论。

背景 老年人普遍久坐少动，认知下降和抑郁常常并存。运动对大脑和情绪有益，但老人很难长期坚持。近年来手机应用、可穿戴手环、实时情绪记录（EMA）和即时提醒（EMI/JITAI）被用来帮助老人坚持运动，作者想把这些分散的研究整理成一个框架。

方法 叙述性综述，不是系统综述，没有遵循PRISMA，也没有双人独立筛选，没有做偏倚风险评估。检索了PubMed、Scopus、Web of Science和Google Scholar（仅看前200条），只纳入英文、50岁以上、有运动成分且用到数字技术的研究。共检出797条，去重后735条，最终纳入17项研究（随机对照、试点/可行性研究、纵向观察研究）。作者用两张表逐项列出各研究的人群、干预、结果和局限，并附有机制讨论（BDNF、炎症、情绪奖赏回路）。

• 纳入的17项研究样本普遍很小，样本量约11–99人，多数不足50人；干预期仅4–24周（3.7节）。
• 60位轻度认知障碍/轻度痴呆老人（平均MMSE 20.7）、24周随机试验：手环加步数处方组每日步数显著增加（12周β=2205.88，P=0.001；24周β=2194.63，P=0.015）；干预组MMSE保持稳定，对照组下降，但评估未设盲、样本小，作者称为探索性结果（3.1节）。
• 45位有跌倒史的社区老人做24周手机应用双任务训练（无对照）：留存率76%，总体依从率64%，有督导阶段81%，居家自练阶段降到50%，无不良事件（3.2节）。
• 多项研究显示，在计步和自我监测之外，额外加的应用功能、健康指导或结构化运动并未带来组间显著差异：如StepMATE（96人）两组步数都从3753升到5248/天，但组间无差异；丧偶老人研究（57人）抑郁症状总体下降，但时间×干预交互不显著（3.1、4.1节）。
• dementia照护者运动试验的二次分析（FAST，68人随机、56人分析）：24周有氧运动后积极情绪和掌控感提高，消极情绪和反刍思维减少（4.1节）。作者总体结论是：证据只支持可行性和可接受性，认知和心理获益仍属初步（结论）。

这篇综述本身创新有限：它是把「运动＋可穿戴/手机＋EMA/EMI」这一交叉领域做了归纳，补充了一个概念框架图，但框架是概念性的，没有新数据，也没有定量合并。其真正的价值在于诚实地指出证据多为小型可行性研究，并在批判性评述中明确了局限。机制部分（BDNF、炎症、多巴胺等）基本是对既有文献的泛泛复述，且这些机制并非针对数字干预本身。综述方法较松散（仅检索英文、无质量评估、Google Scholar只看200条），所以不能当作系统证据。另外，纳入研究的对象主要是健康或轻度认知受损的老人，几乎没有中重度痴呆患者。

综述本身方法较弱：叙述性设计、仅英文、Google Scholar只看前200条、没有双人筛选、没有偏倚风险或质量评估，17篇纳入研究的选择可能有偏。被纳入的原始研究样本小（多数<50）、疗程短（4–24周）、多数未设盲，很多只做组内前后比较，且多项研究中干预组与对照组无显著差异，说明获益可能来自运动本身或非特异性参与，而不是数字技术。认知结局多为筛查量表（MMSE、MoCA）的小幅变化，临床意义不明；对高龄、中重度痴呆和多病共存者几乎没有数据。有一项被纳入的是未出结果的研究方案（运动想象试验），并不能算作证据。作者自己也承认结论只是探索性的。无资助、无利益冲突声明，这一点没有问题。总体上，作者对证据的措辞较克制，但摘要和引言中『突破性框架』之类的说法比实际数据更乐观。

✅ 官方资源 · https://europepmc.org/article/PMC/PMC13669503
Europe PMC开放获取全文（Frontiers in Psychiatry，DOI线索：10.3389/fpsyt.2026.1895581）。综述无新数据或代码，无临床试验注册号；文中列出的17项原始研究多为期刊文章，可按参考文献自行查找。未提供给家属的照护指南或现成工具。

对患者家庭意味着什么这篇文章的核心是“中年糖尿病如何增加晚年痴呆风险”，属于预防类研究，对已确诊的86岁老人意义有限——过去的血糖史无法改变。唯一有现实意义的是低血糖：对高龄、已有认知障碍的人，吃饭不规律、忘记或重复用药都可能导致严重低血糖，所以如果老人同时有糖尿病，血糖目标通常应放宽、避免过低。若家里有中年、有糖尿病或糖尿病前期的子女亲属，这篇文章对他们的预防更有参考价值。

证据等级与距离落地这是叙述性综述，内容基本来自观察性队列和登记数据（如Whitehall II、ARIC、韩国全国队列），没有随机对照试验证明“更好地控制血糖能减少痴呆”。仅14项研究纳入，无系统质量评估，不能用来判断因果。SGLT2抑制剂和GLP-1受体激动剂可能降低痴呆风险的说法仅来自观察性数据，存在“用药人群本来就更健康”的偏倚，不是已证实的疗效。对86岁的老人，它不是一种“已可用”的治疗，也不应据此换药。

照护上可借鉴的做法1) 如老人有糖尿病，可请主治医生评估血糖目标是否适合其年龄和认知状态——高龄、认知障碍者通常不宜追求过严的控制，重点是避免低血糖（这一点文中引用ADA老年人指南，作者也建议简化降糖方案）。2) 询问医生是否可简化用药方案、减少胰岛素或磺脲类药物带来的低血糖风险，必要时讨论持续血糖监测；任何降糖药调整都需与主治医生讨论，家属不要自行增减。3) 家属帮助保证规律进餐，记录低血糖症状（出汗、发抖、突然意识模糊或激越），并备好糖类食物应急。4) 不要因为这篇文章就要求换用SGLT2抑制剂或GLP-1类药物，这需要医生综合肾功能、体重、心血管情况后判断。

背景 2型糖尿病已知会增加痴呆风险（合并相对风险约1.3–1.8），但风险并不均等，可能随发病年龄、病程、血糖控制质量和治疗方式而变。作者想把发病年龄、病程/累积血糖负担、低血糖这三个维度放进“生命历程”框架下统一梳理。

方法 这是一篇叙述性综述（非系统综述、非荟萃分析）。作者于2026年1–2月检索PubMed和Google Scholar，约120条记录，筛选后51篇读全文，最终14篇纳入叙述性综合。没有双人独立筛选，没有PRISMA流程图，没有偏倚风险评估，也没有合并统计，只是描述性汇总各研究已发表的HR/RR。另外综述了机制研究和降糖药（SGLT2抑制剂、GLP-1受体激动剂）的观察性研究。

• Whitehall II队列：70岁时，糖尿病发病每提早5年，痴呆风险高24%（HR 1.24，95% CI 1.06–1.46）（结果·发病年龄章节）
• 同一研究：70岁时病程超过10年者，痴呆风险是无糖尿病者的2.12倍（95% CI 1.50–3.00）；而70岁时病程≤5年者HR仅1.11（0.70–1.76），差异不显著（表1）
• 荟萃分析（Cao 2024）：糖尿病病程≤5年即已有风险升高（RR 1.29，95% CI 1.20–1.39），病程越长风险越高；总体合并RR约1.3–1.8，对血管性痴呆的影响强于阿尔茨海默病（结果·病程章节）
• 韩国全国队列（>130万人）：口服降糖药者痴呆HR 1.29，使用胰岛素者HR 2.14，提示胰岛素治疗者（病情更重或病程更长）风险约为口服药者的两倍（引言、讨论）
• 严重低血糖（需就医或住院）与痴呆发生相关，且发作越多风险越高；但作者承认可能存在反向因果——认知下降本身会增加低血糖（结果·低血糖章节、讨论）

新意主要在于组织框架：把发病年龄、病程、累积血糖暴露和低血糖整合为“一个累积暴露过程”，并用“类似吸烟包年”的类比来解释。但所引用的证据几乎都是已发表的研究，没有新的数据或定量合并，也没有新的结论。仅纳入14项研究，选择过程缺乏严格方法，因此更像是一篇有观点的概述，而非证据权威性更高的综述。值得注意的是，其对低血糖与反向因果的讨论较为克制，是相对有价值的部分。

证据整体支持“中年糖尿病与痴呆风险升高相关”这一方向，但综述本身的证据质量有限：叙述性综述，仅14篇纳入，无双人筛选、无PRISMA、无偏倚评估，选择偏倚风险高；作者也承认各研究在年龄界定、糖尿病和痴呆的判定方式上差异很大，因此不做合并。所有数据均为观察性，存在残余混杂（教育、肥胖、运动等）、生存偏倚、竞争死亡风险及低血糖的反向因果问题。药物部分存在适应证混杂。对高龄、已确诊患者的适用性很弱——引用的研究多是中年起病、随访几十年的队列，且文中显示70岁时病程短者的风险升高并不显著。无资助、无利益冲突声明；是单个作者主导的综述。

✅ 官方资源 · https://europepmc.org/article/PMC/PMC13676600
Europe PMC开放获取全文；综述无新数据、无代码，无临床试验注册号。文中引用的ADA 2025老年人糖尿病管理标准（Diabetes Care 2025;48 Suppl 1:S266–82）可作为与医生讨论血糖目标时的参考指南。