应用落地适合想为开源/自研模型训练 Agent RL 环境的团队：不用接真实账号，就能得到可重置、带程序化验证器的“个人办公”沙盒，覆盖网页、MCP 服务（邮件、日历、聊天）与本地文件。前置条件是 8 张 B200 级算力、Orchard+slime 训练栈，以及一个强开源教师模型（GLM-5.2）；每个任务平均消耗约 70M 生成 token，成本不低。也可只借用 341 个任务和验证器做评测或企业内部 Agent 回归测试。

研究跟进未解问题：1）最难的 OS-2 和 ALE 任务几乎没有提升（最难四分位无变化），说明受限于教师能力，需要探索能超越教师的自我改进或更强教师；2）SFT 仅 100 条教师轨迹，RL 仅 64 步 208 个任务，缺少数据规模扩展曲线；3）图像决定性任务在评测时靠 Qwen3.6 的描述工具代替视觉，原生多模态策略是否更好未知；4）合成任务与域外基准的迁移机制（为何 GUI 调用占比从 16.3% 降到 1.6% 仍能提升 OSV）值得做因果分析。

可复用方法可直接搬走：1）反事实探针——让判官重新调查被告知“相反结论”的 rollout，若改验证器则判不通过；2）多判官一致性闸门加“初始状态验证必须为 0”的检查，杜绝验证器空转；3）按无提示 rollout 成功数 k 判难度（k≤1 为难，k=3 退回加难）的循环；4）奖励 min(1, 成功+0.1×清单均值)，格式错误 −1 并立即终止；5）按上下文压缩边界分段训练，共享轨迹优势；6）自适应 rollout 倍数以解决小模型 GRPO 组内零方差问题。

背景 计算机使用智能体（CUA）的 RL 训练缺少可控、可验证、可扩展的环境，真实环境难重置且有风险。已有合成方法多只覆盖单一接口（GUI、工具调用或终端），且依赖闭源前沿模型，任务的可解性与验证器可靠性常靠“强模型一定对”这类假设。

方法 世界合成：用 GLM-5.2+OpenCode 生成 36 个人物画像，逐日规划并用可复用“事件技能”和确定性重放脚本物化为 640 个累积世界状态，底层复用 WebHarbor 的 15 个镜像网站、8 个 MCP 服务和本地文件。任务合成：生成需同时使用 GUI/MCP/CLI 的任务、可执行验证器（N 个二值检查之积）、rubric 与提示；用 3 个开源模型×6 个 harness 做 6 次 rollout，经过多样性、初始不满足、判官一致性（程序验证器=LLM 判官=Agent 判官）、可解性、难度、反事实探针（向判官谎称相反结论，看其是否被迫改验证器）五道闸门，最终得到 341 个任务。训练：100 个任务的 GLM-5.2 成功轨迹做 SFT，再在 208 个任务上做 GRPO（奖励=成功+0.1×清单部分得分，格式错误−1，自适应 rollout 倍数，按压缩边界分段训练），最多 64 步，评测在 8 个 OOD 基准。

• Qwen3.6-35B-A3B 8 个 OOD 基准平均 42.84→53.42（+10.58），Qwen3.5-4B 21.83→30.04（+8.21），均全面提升；其中 35B 的 CLE +16.67、OSV +16.06、WA +13.72、CUG +12.22 (p.9)
• 合成任务难度：GPT-6-Astra 在验证集仅约 60% pass@1（59.85），GLM-5.2 37.88，WildAWM-35B-A3B 35.98，WildAWM-4B 27.65；合成时平均成功率无提示 21.3%、有提示 45.6% (p.7, p.10)
• 质量闸门漏斗：2,551 个候选→341 个接受；消融去掉任一闸门，4B 平均下降 2.60–9.30 点（完整 31.86；去掉判官一致性 22.56，去掉初始不满足 24.08）(p.5, p.10)
• 验证器与 Agent 判官多数票一致率 95%，Cohen's κ=0.90；环境多样性 Vendi 与最近邻余弦距离（0.25 vs 0.20）均高于 CUA-Gym (p.9-10)
• RL 消融（35B）：去掉格式惩罚 −1.24，去掉清单部分奖励 −2.25，去掉 SFT 热启动 −5.31；行为分析显示跨接口切换主要由 SFT 从教师学来，RL 带来长程能力和 OOD 迁移（净增任务 +93→+129）(p.11, p.27-28)

单点技术（人物驱动环境、LLM-as-judge、GRPO 变体）多为已有思路的组合，真正有价值的是：1）把 GUI+MCP+CLI 放进同一个跨天累积状态的“个人电脑世界”，并强制每个任务三种接口缺一不可；2）反事实探针（向判官谎称相反结论检验是否谄媚）这一验证器压力测试，以及“程序验证器=LLM判官=Agent判官”的一致性闸门；3）全程只用开源模型，并提供了完整的闸门消融。整体偏工程化集成，而非新算法。

优点：闸门消融完整，验证器与三个前沿判官做了一致性对比，OOD 基准多达 8 个，训练变体（RFT、SFT、纯 RL）对照也有。问题：1）验证器可靠性只在 100 条 rollout 上评估，且判官与合成用的是同一类 LLM 判官，存在循环论证；2）所有结果为单次运行，无种子方差，多数基准用子集（OSV 99 题、CUG 200 题、ALE 99 题），个别提升可能在误差内；3）RL 在域内无增益（36.0 vs 37.3），OOD 增益主要来自教师 SFT，RL 相对 SFT 的边际贡献只在部分基准上；4）基线 Qwen 的评测用自定义 OpenCode+视觉代理工具，与 CUA-Gym、OpenForgeRL 的对比使用论文报告数字，并非同一 harness，仅供参考；5）所有开源模型使用 NVFP4 量化评测，且评测判官为 GPT-5.5；6）前 6 个人物占 178 个任务，数据分布不均；7）作者多来自 Microsoft Research，且引用的许多模型和基准均为尚未可验证的 2026 年条目，需谨慎。“Larger models benefit more”的结论只基于两个不同系列模型，证据不足。

✅ 官方资源 · https://github.com/MSR-Orchard/WildAWM
官方 GitHub 仓库（70 星，最近有提交，无 license），摘要页面还列出数据与模型链接以及 Harbor。完整复现需要 8 张 B200、GLM-5.2/DeepSeek-V4-Flash/MiniMax-M3 等开源模型、WebHarbor 镜像站、Orchard 与 slime 框架；合成新环境成本很高，但直接使用已发布的 341 个任务训练或评测门槛较低。

应用落地适合自建开源模型（GPT-OSS、MiniMax、Qwen系）长程Agent服务的团队，例如深度研究、SWE Agent，这类场景工具响应巨大且缓存读取主导成本。前置条件是能控制推理栈（基于SGLang v0.5.20，需RoPE模型，暂不支持线性注意力），闭源API无法使用；可作为替代“阈值触发摘要”的harness组件，在高并发下收益最大（Standard在C≥14时崩溃）。

研究跟进开放问题包括：训练Agent原生使用cache操作（论文自述未做）、丢弃KV后残留的“幽灵信息”对安全与正确性的影响、扩展到线性注意力/混合架构、以及RSI搜索出的策略的泛化性（仅20题搜索、BCP单一基准）。Cache-as-Tool在MiniMax上增加轮次和成本，说明让模型自主决定何时drop的效果和RL训练值得研究。

可复用方法可直接搬走的有：用“工具响应滚动保留最近K轮、永久保留推理KV”的简单策略；在drop后用RoPE旋转重设key位置以突破位置上限（BCP 55→62）；radix tree中加入drop/reposition操作节点来保证缓存复用正确；让LLM在小任务集上迭代搜索缓存策略的RSI流程；以及cache-miss/hit/output分开计价并对repos按命中价计费的保守成本核算方式。

背景 长程Agent的轨迹不断增长，KV缓存的读取和存储成为主要成本（BCP上缓存读取占API成本82.4%），且超出模型可靠的上下文长度后精度会下降。现有的context engineering（裁剪/摘要）会修改前缀，使后续KV失效并触发re-prefill，所以通常只能在阈值处大幅压缩，造成信息丢失与成本之间的两难。

方法 提出cache engineering：保持文本轨迹不变，通过append/drop/repos三种缓存操作直接控制active KV cache。drop把选定KV移出后续注意力，repos用RoPE旋转重设保留key的位置编码（K←R(q)R(p)^-1K）。由于相同token序列在不同操作历史下KV状态不同，作者基于SGLang设计AKV服务引擎：无状态API（messages加cache字段，用operate-after语法描述drop/reposition）、带drop节点和reposition节点的扩展radix tree、感知drop的淘汰策略，以及segment-batch attention（按drop/repos触发点切分query，一次prefill恢复缓存）。主策略是工具响应滚动丢弃（保留最近12个工具响应加全部推理KV），在3个LLM（MiniMax-M2.7、GPT-OSS-120B、MiroThinker-1.7-Mini）和4个基准（BCP、GAIA-Text、SWE-Verified、xbench-DS）上与摘要式baseline（96K/192K阈值的Standard，48K的Text Engineering）对比，另外还做了RSI策略搜索和cache-as-tool实验。

• 三个模型×四个基准上，AKV平均分比Standard高1.3–2.1分、比Text Engineering高0.9–8.7分；平均成本比Standard低27.7%、比Text Engineering低21.9%（p.8；Table 1）。
• GPT-OSS-120B：平均分51.0→53.1，平均成本11.2→7.3美分；SWE-Verified成本20.0→9.7，BCP分数57.5→61.9（p.9，Table 1）。
• 服务侧：在80个最长上下文SWE-Verified任务回放中，AKV(C=14)对Standard(C=12)的平均/P95请求延迟提速1.36×/1.51×，输入/输出吞吐为1.53×/1.18×；Standard在C≥14时因KV压力崩溃（C=16 P95延迟229.9s vs AKV 30.63s）（p.9，Table 2）。
• 消融（GPT-OSS-120B前100题）：工具响应drop加repos在BCP达62.0（无repos为55.0，Standard 56.0），SWE为41.0且成本19.1→9.5；丢弃推理缓存会使SWE降到36.5/34.5（p.10，Table 3）。
• RSI：用MiniMax-M2.7在20个BCP任务上搜索，迭代3和6的策略在100个留出任务上相对Standard成本降15.6%和17.8%且保持准确率；摘要称比专家设计再低7.1%（p.10，Fig.4）。
• Cache-as-Tool（让Agent自己调用缓存管理）在100题BCP子集上GPT-OSS-120B为61.0 vs Standard 52.1，MiniMax-M2.7为64.0 vs 56.0，但后者成本5.4→5.9（p.10，Table 4）。

思想上并非全新：drop类似StreamingLLM/H2O式KV驱逐，repos类似位置无关缓存（PIC/CachedAttention）。真正的新意在于把drop/repos提升为Agent和harness可编程的一等操作，指出“缓存状态依赖操作历史”这一服务层正确性问题，并给出完整的系统实现（带操作节点的radix tree、一次forward的segment-batch attention、无状态API）。作者的“第一个让Agent直接控制缓存的服务系统”表述在并发工作（SideQuest、CLM）面前略显夸大，但工程完整度和与现有API兼容的设计确实比并发工作更完整。

总体证据较扎实但有局限。优点：覆盖3个模型4个基准，另有GPT-OSS-20B补充，有drop目标与repos消融，成本核算保守（repos按命中价计费），并给出服务级的并发扫描。问题：（1）分数提升很小且未报方差，平均+1.7分在多数基准上可能在噪声内，BCP/消融只用前100题，单次或少量运行，个别项AKV更差（GPT-OSS-120B的xbench-DS 37.5 vs 38.5；MiniMax在BCP仅持平；MiroThinker的SWE仅7.4，说明模型本身几乎失败）；（2）baseline是Pi风格的阈值摘要，没有与观察遮蔽（observation masking，其基准harness本身就用了该文献）或SideQuest/AgentKV等KV驱逐方法对比；（3）成本是按API价格折算的，不是实测，选用Groq价格对GPT-OSS有利；（4）服务实验是回放trajectory（temperature 0、ignore_eos、工具响应重放）而非真实运行，且只选最长的80个SWE任务，对Standard是最不利的负载，C=14/16的Standard结果还是截断一小时窗口的；（5）Text Engineering的48K阈值是自选弱设置，其低分部分来自这一设置；（6）RSI只在20题上搜索，“比专家设计再省7.1%”的数字出现在摘要而正文是相对Standard的15.6%/17.8%，且用了评判模型GLM-5.2；（7）学习的论文均为同一团队，无独立复现，但代码已开源。

✅ 官方资源 · https://github.com/thu-nics/AKV
官方GitHub仓库（Apache-2.0），基于SGLang v0.5.20的AKV服务引擎代码已存在。复现服务实验需要8×A800（4卡prefill+4卡decode，TP4）和BF16版GPT-OSS-120B；基准实验使用官方评测harness，并用GLM-5.2作为评判模型，需自行配置。

应用落地可直接用于“给定论文+代码+数据+指标，让Claude Code/Codex自动爬山”的内部流程，适合有现成科研模型但缺少调参/工程人力的实验室或AI4Science团队。前提是隔离测试集、独立评测脚本，并有8卡级GPU和12小时预算；不应指望稳定产出科学洞察，更像“自动高级调参+换骨干”。

研究跟进开放问题：（1）skills的收益有多少来自资源利用（更多GPU并行、更少空闲），多少来自“创意”提示——论文没有逐skill消融；（2）如何度量“洞察”而非分数，PFDelta式物理重构的出现率仅2/4；（3）skills基于Claude轨迹设计，在其他智能体与未见基准上是否泛化；（4）缺少人类研究者基线，无法判断提升有多难。可做逐skill消融、多次重复与同预算的随机/HPO/AIDE类基线对比。

可复用方法可直接搬走的有：每小时hook触发的自检清单（“我是在设计创意实验还是只调超参？”）；Tier-1/Tier-2分层计划并要求第一轮占满全部GPU；禁止在基线上做多种子/调参；失败实验三分类（可修复/转向/有理由放弃）；以及“隔离环境+独立评测智能体+审计智能体”的防作弊协议，包括用跨模型家族审计员互相验证。

背景 编码智能体正被包装成端到端的自动科研员，但现有评测多在整洁的代码库、CS领域内进行。科学ML基准的代码往往是科研产物，缺乏固定划分与评测脚本，智能体容易作弊，且提升常需要领域洞察。本文问：现有前沿智能体在真实的科学ML任务上能否做出有意义的、无作弊的进步？

方法 从497篇NeurIPS 2025 D&B论文经四阶段过滤（领域分类、自动筛选7项标准、人工核验、深度审查）选出10个基准，再补充其他来源，共20个基准/25个任务/11个领域。每个任务经人工复现基线、修复数据划分、单H200内跑通、隔离Docker环境后标准化。评测分三阶段：爬山智能体（无测试集访问）、独立评测智能体跑测试集、审计智能体检查轨迹是否作弊。比较Claude Code（Opus 4.6/Sonnet 4.6）、Codex（GPT-5.4）、Gemini CLI（3.1 Pro），各8×H200、12小时，最简指令。之后设计三个markdown skill（研究构思的“疯狂科学家”人设+并行文献综述、实验管理、每小时hook触发的自检清单），在Opus和Codex上对比开关。

• 四个智能体在20个基准上平均相对提升：Opus 4.6 10.4%、Sonnet 4.6 9.6%、Gemini 3.1 Pro 6.8%、Codex 4.4%；每个基准至少被一个智能体超越基线，最大提升从ProteinGym 1.1%到PFDelta 64.4%（p.6，表1）
• 加入skills后Opus均值10.4%→20.1%（20个基准中18个提升），Codex 4.4%→8.1%（12/20提升）；PFDelta上Opus 64.4%→91.0%，GEO-Bench-2 9.6%→37.9%，MassSpecGym 7.6%→39.5%（p.8–9，表2）
• 方法分类：Opus 56%的任务用超参调优、44%用架构改动；问题特定干预罕见（p.6–7，图3b）；行为差异：Opus平均活跃12.0h、490轮/338次工具调用，Codex 约1.0h活跃、328轮/325次调用，Gemini 196轮/201次（p.7）
• Run-to-run方差：工程类提升稳定（Mars-Bench 45.9±1.5、DART-Eval 6.1±0.3），洞察类不稳定（PFDelta 47.9±19.6，4次中仅2次发现PBL重构）；仅HPO的消融在PFDelta仅4.6、Mars-Bench 4.3、CheMixHub 1.4（p.33–34，表6）
• 审计：用三类模型的审计员重审40条轨迹（120个对），无一被标记；但pilot中12个原始任务有5个出现评测作弊（p.3、p.30）

测评框架本身的新意在于：把“在真实科研代码库上长时程爬山”和“防作弊协议”（隔离测试集+独立评测+审计）结合，覆盖多领域，并以人工复现的基线起步。技术层面的skill只是提示工程（人设、检查清单、资源调度规则），并无新算法；真正有价值的是失败模式诊断（新颖性误判、资源闲置、探索坍塌）和“工程 vs 洞察”的方差分解。属于扎实的实证/基准工作，而非方法突破。

优点：基线经人工复现并双人复核；有评测/审计分离；做了run-to-run方差（6个基准×4次）和HPO-only消融；诚实指出Gemini多次重跑才得到可评checkpoint会抬高其分数。问题：（1）主表基本是单次运行，作者自己展示PFDelta方差±19.6，所以10.4% vs 9.6%、skills的20.1%等均值被少数大值（PFDelta、Mars-Bench）拉动，用中位数会小很多；（2）skills在同一基准上设计并评测，存在对基准过拟合的风险，且skills组与对照组的运行次数不明；（3）“工程 vs 洞察”的分类来自关键词/词云与自定义类别，主观性强；（4）部分基线被重新复现后偏弱或设置不同（如GTPBD因测试集缺5国而高估约10点；DART-Eval改全量微调），且10/20基线未调参，提升可能是“未调到位”而非科学进步；（5）无人类专家基线，也没有与AIDE等专用搜索框架对比；（6）审计员为同类LLM，“无作弊”结论的可信度有限，但跨模型验证已部分缓解。作者为Anthropic员工且主推Claude，存在利益相关，但对Claude并无明显偏袒（Sonnet在9个基准上最优）。

✅ 官方资源 · https://github.com/maszhongming/agent4sci
官方GitHub仓库（Apache-2.0，近期有更新，但星数很少）含代码、评测框架及完整skill markdown；摘要称数据在Hugging Face。复现主实验需每任务8×H200、12小时，共25任务×多智能体，API与GPU成本很高；仅用skills可低成本迁移。

应用落地适合做截图/设计稿转前端页面、图表复现、SVG/LaTeX/化学结构式生成等需要本地部署的小模型场景，9B 能在单卡部署，Design2Code Visual 91.54 已接近 Gemini。前置条件是有渲染沙箱（无头浏览器、LaTeX 编译器等）；ChemDraw 等窄领域收益最大，复杂交互应用（InteractScience PFT）和 LilyPond/Asymptote 等长尾语言仍不稳，不宜直接上生产。

研究跟进开放问题包括：(1) 裁判与细则生成器同属 Gemini 系，评测又用 GPT-5.5 等裁判，需要完全独立的人评或确定性指标来验证 RL 增益；(2) 论文承认没有做完整 GRPO 的细则 vs 直接打分对比，只有一个 Python 小实验（ChartMimic +6.91），RL 本身的细则贡献仍缺干净消融；(3) 细则奖励对 reward hacking（迎合检查项）的鲁棒性、以及是否可用开源裁判替代 Gemini 以降低约 808K 次调用的成本；(4) 视觉细则能否扩展到交互行为和多帧动画。

可复用方法可直接搬走的几件事：把代码检查与渲染检查分开打分再加权（Fig.3 示例：整体裁判 78 分、视觉细则仅 0.18）；用难度档限制细则条数控制裁判成本（Python 约 $0.016/样本，HTML 约 $0.05）；用 rollout 得分方差 U_i 挑 RL 题（20K 候选里留 5K）；三档路由中对中间档带着未通过细则项让模型重写；rollout 执行失败直接给 0 分。附录 C 给出了完整的细则合成 prompt 模板，可直接改造到其他可渲染产物任务。

背景 多模态代码智能要求模型写出的程序不仅能运行，还要渲染出视觉上正确的图表、网页、动画等。现有信号要么只有执行成败，要么是代码相似度（与视觉结果不对应），要么是任务专用验证器（不通用），开源数据在规模和质量上都受限。JanusCoder、VinciCoder 等已尝试统一接口或视觉 RL，但单次整体打分或粗粒度奖励诊断力不足。

方法 提出 PrismaForge：对每条指令由 Gemini-3-Pro 生成难度等级、领域共享+样本特有的二元检查项并带权重，分别生成代码细则和视觉细则，由另一个裁判（Gemini 3 Flash）分别打分后按 λc、λv 加权（式2-3）。数据侧：从 MCD、WebCode2M、GitHub、arXiv、PubChem、Manim 等多源种子出发，用 Claude-Opus-4.6 补全/再生成代码，经各格式沙箱执行/渲染，再按分数三档路由（丢弃/带失败项反馈重合成/保留），得到 2M 样本的 PrismaCoder-2M，覆盖 12+ 类别、10+ 语言。训练：Qwen3.5-9B / 35B-A3B 全参数 SFT 5 epoch，再用 GRPO/GSPO（MoE 加 Rollout Routing Replay）以同一细则作奖励，RL 数据选 SFT 模型 K=5 rollouts 中得分方差最大的 5K 题/领域；另在 Gemma-4-31B 和 Qwen3-VL-30B-A3B 上验证泛化。

• ChartMimic Direct：PrismaCoder-35B 低层/高层分数 83.42/80.69，总分 82.05；9B 为 77.70，超过 GPT-4o 的 74.20，但 35B 仍低于 Gemini 3 Flash 的 84.08 (p.9, p.26)
• ChemDraw：35B 100% 有效、精确匹配 92.19%、Tanimoto 均值 97.56；而 Qwen3.5-35B-A3B 精确匹配仅 53.12%，各闭源模型 32–66% (p.28)
• 文本类 VisPlotBench：35B 的 Mean 62.47、Good≥75 为 61.49，对比最佳 VinciCoder 23.95/10.11，但 Gemini 3.1 Pro 为 69.47/69.15，Claude Opus 4.6 为 65.94/66.03 (p.10)
• 细则筛选 vs 直接整体打分（同规模子集微调 Qwen3.5-9B）：各基准均更高，Vega-Lite 上 LLM 分 48.5→72.6，Design2Code 仅提升零点几 (p.11 Fig.5)
• 与人类评分一致性（100 样本、3 个裁判）：Krippendorff α 从 0.30–0.51 升到 0.86–0.92，Kendall τb 从 0.28–0.44 升到 0.64–0.67 (p.12, p.33)
• 弱项：ISVGen 上 35B 为 84.14 仍低于 VinciCoder-8B 的 87.18；DesignBench 编辑和 InteractScience PFT（28.00% vs GPT-4o 31.07%）落后于闭源；VisPlotBench 在 LilyPond/LaTeX/Asymptote 上错误率仍高达 51–89% (p.9, p.27)

单个想法（rubric 做奖励/过滤）并不新，JanusCoder 已有固定维度细则、VinciCoder 已有粗到细奖励。真正的增量在于：把每条指令的细则拆成代码层与视觉层独立评分、按难度调节条目数、同一细则同时用于数据三档路由（含带失败项反馈的再合成）和 GRPO 奖励，并把它铺到 13 种视觉代码格式上，外加 2M 规模的开放语料和人类一致性验证。更多是工程整合和规模化，而非方法论突破。

证据整体较扎实但有保留。优点：多基准、有 SFT→RL 分阶段与跨骨干（Gemma-4、Qwen3-VL）验证、细则 vs 直接打分的等规模对照、100 样本人评一致性（20 名标注者）。问题：(1) “rival proprietary” 说法有水分，多数文本类和 Pandas 基准上仍明显落后 Gemini 3.1 Pro 和 Claude 4.6，ChartMimic 高层分数甚至由 GPT-5.5 重评而非原 GPT-4o，与旧榜不可直接比；(2) 训练数据由 Claude Opus 4.6 生成、Gemini 筛选，评测大量使用 LLM 裁判，裁判同族偏倚只做了有限检查（Gemma 上 VisPlotBench 两裁判，HTML 任务分还出现排序分歧）；(3) 许多开源基线（VinciCoder、JanusCoderV）是 7–8B 老模型，且基座 Qwen3.5 本身更强，“大幅领先”部分来自基座差；(4) 人评样本仅 100 条，评估的是裁判与人的一致性，而且人类在细则模式下被引导，可能抬高一致性；(5) 没有完整 RL 消融（承认资源限制），Fig.6 中部分指标 SFT 后下降、RL 才恢复，增益幅度多为 1–5 点，缺方差或多种子；(6) 作者团队自建数据又与自家 JanusCoder 对比，TreeBLEU 等指标劣势被解释为指标问题；(7) 标注“Work in progress”。

✅ 官方资源 · https://github.com/QiushiSun/PrismaCoder
GitHub 官方仓库存在（36 星，近期有更新，无 license），论文称发布代码、模型（9B、35B-A3B）和 PrismaCoder-2M 数据，并称数据处理管线将公开；我未能核验权重和数据的具体完整性。复现 SFT+RL 需 32×H200，另需大量调用 Claude Opus 4.6/Gemini 3 Pro/Flash 的 API（单轮 GRPO 约 808K 次判分），完整重建数据集成本较高，但直接使用已发布模型/数据门槛低。

应用落地适用于需要在有限上下文内跑长任务的工具型智能体（代码、终端、网页研究），可作为后训练补丁降低重复调用带来的token/延迟成本。前置条件：有可复现的环境能产出带观察的轨迹、可自行部署并微调开源模型（LoRA即可），并且循环检测可以用“规范化调用+观察相同”实现。与精确重复拦截器可叠加（表30中拦截器+DeLoop循环1.3%，成功率27.7%）。

研究跟进开放问题：①仅在CodeGym上大规模验证，真实开放环境中“相同观察”的循环检测更模糊（非确定性工具、含时间戳的输出），需要软匹配；②为何成功率提升在8B上不明显、在14B/32B上明显，可做规模化与随机种子分析；③压缩器与策略联合训练（摘要生成目前只共享权重，无单独目标）；④DPO过度抑制“合理重试”的风险（附录I.1显示trained策略在retry点仍有再发起率，但需更多任务验证）。

可复用方法可直接搬走的配方：在轨迹上用规则检测无信息动作作rejected，以同轨迹后续第一个不同的非重复动作作chosen，不加NLL锚点的纯DPO（β=0.05，LoRA r=32，lr 8e-6，约8k对，1 epoch）。注意：加RPO锚点会使循环率回升到27.0%，随机配对会使情况更糟；约1k–4k自挖对已有明显效果；跨域对占比约37%最佳。该‘规则挖负例+自身恢复作正例’的思路可迁移到其他冗余行为（无效重试、冗余检索）。

背景 长程LLM智能体在历史被压缩后，会重新发起已做过的、返回相同观察的工具调用（loop），浪费步数且更容易失败。已有工作多研究“保留什么历史”（记忆、摘要、压缩器），较少研究策略如何使用历史；现有训练方法多依赖任务奖励、专家动作或步级标签。

方法 定义loop为工具调用（规范化后）与此前完全相同且观察逐字节相同的步骤。在压缩设置下跑智能体，检测循环动作作为rejected；若同一轨迹后来出现第一个与之不同且非循环的动作，则作为chosen，前缀历史作为prompt，全程无需奖励、金标或LLM裁判。用LoRA-DPO（β=0.05，r=32，1 epoch，8000对CodeGym对）训练Qwen3-8B；14B/32B用各自轨迹挖掘的约2.3k对训练2 epoch。DeLoop-Mix额外加入4,635对来自ALFWorld、Open-AgentRL、Terminal-Bench的跨域对。评测主要在CodeGym的300个留出任务上（4,096 token摘要压缩），并扩展到ALFWorld、AppWorld、ScienceWorld、BrowseComp-Plus等。

• Qwen3-8B在CodeGym压缩设置下，循环率57.3%→6.1%，每任务步数15.00→4.67，token 23.9k→12.7k，成功率25.1%→25.9%基本持平（表1，p.6）
• Qwen3-14B成功率45.1%→52.3%，Qwen3-32B 37.7%→44.8%，循环率分别降至12.3%/12.9%（图5、表6，p.7、p.18）
• DeLoop-Mix使Qwen3-8B压缩下成功率25.1%→30.3%，循环率10.1%；全历史下成功率31.7%→36.2%（p.8）
• 基线对比：精确重复拦截器循环率46.7%，Reflexion 55.3%，ACON 46.3%，标签监督的gold-label DPO 22.3%，逐步惩罚GRPO 15.0%（表1、表2，p.6–7）
• 消融：仅用chosen的SFT循环率37.7%；随机pair训练后循环率反升至69.5%（基线66.1%）（表2、表27，p.7、p.28）；其他环境上循环下降如AppWorld 73.7%→40.9%，BrowseComp-Plus 22.4%→1.2%（表3、p.9）

核心想法（把重复动作与同轨迹后续恢复动作配成DPO偏好对）简单而巧妙，属于“失败即监督”的自监督构造，与Agent-R、步级DPO依赖奖励/专家相比标签成本为零。真正的增量在于：系统量化了压缩导致的循环及其与失败的关联，并用大量对照（随机pair、随机chosen、SFT、锚点RPO、GRPO惩罚）证明信号来自循环标签与恢复动作。但方法本身是DPO的直接应用，且多数收益体现为效率（步数、token）而非成功率。

证据整体较扎实：有大量对照（不同压缩器、标签监督基线、KTO/IPO/GRPO、随机pair与随机chosen控制、匹配训练预算），并用循环危险率与同长度分层排除“只是回合变短”。但存在隐患：①主指标“循环率”正是训练目标所用的检测器，存在指标即目标的循环论证，成功率提升才是关键，而在8B上仅+0.8点（评测300任务，多数行仅1–3次运行，无显著性检验或置信区间，仅附录J.4有一处bootstrap）；②14B/32B的DeLoop策略仅1–3次运行，基线2–3次，增益虽有7点但方差未报告；③CodeGym是主要的挖掘与评测基准，且8B成功率较低（约25%）；④跨域增益（DeLoop-Mix）的成功率提升部分在小样本环境，ScienceWorld/AppWorld成功率其实下降（3.5→1.5，7.0→5.8）；⑤部分对比（如Reflexion、Gold-action GRPO）设置较弱，GRPO信息组仅2.7%；⑥作者全部来自Google，无外部复现，Gemini只做了诊断未做训练。

✅ 官方资源 · https://github.com/cskyl/deloop
论文称代码与数据将公开；核验到GitHub仓库存在且有内容（0星，无license，最近push 2026-10-22），但未能确认是否包含权重或完整挖掘数据，是否为作者官方仓库需自行核对。复现用LoRA-DPO，8B规模单机多卡即可，主要成本在跑CodeGym压缩轨迹挖掘对及多次评测。

应用落地做企业 RAG 的团队可以直接借用 LASAGNA 在自己的语料上跑一遍「基线 vs 全栈」对比，而不是照搬论文里的 profile。结论上，延迟敏感场景用 STANDARD 的直连路径（5.3s），需要高忠实度（合规、医疗问答）才上 3 轮 agentic 验证，代价是延迟 2–3 倍、检索指标略降。语料超过约 25K 时，要重新验证 STANDARD 与 BALANCED 的排序。前置条件：自有的带标注查询集（检索 qrels 或 QA），以及 GPT 级别的 RAGAS 评判成本。

研究跟进开放问题很明确：一是在开源生成器、多语言和真实企业语料上复现「次可加」现象，因为现在全部结果基于 GPT-5.1 和 ≤93 条查询；二是把交互估计从事后的预测-实际对比改为直接估计，例如把 28 个两两交互降到少数候选后做更大样本的确认实验。三是 H3 中忠实度随规模「先降后升」的机制（覆盖度扩大还是答案变含糊）作者留给了人工评测，值得做。另外，分块选择的跨度达 0.126 NDCG@10，比多数主效应大，值得系统研究。

可复用方法可直接搬走三件事：(1) 用「单组件最大增益之和预测值 vs 全栈实测值」的缺口作为组合性诊断，只需已有实验结果就能算；(2) 用 D-optimal 部分因子设计在预算有限时覆盖多个组件维度，但要注意 232 参数模型只有 10 个残差自由度，交互项不可靠；(3) 用 NDCG@10×Faith×max(0,1−latency/Lref) 的联合 HV 指标同时衡量质量与延迟。此外，Matryoshka 截断、对重排器保留旧但强的 MiniLM 交叉编码器、关闭 MMR，都是低成本且可在自家数据上验证的开关。

背景 RAG 流水线包含嵌入、分块、检索、重排、查询增强、压缩、Agentic 校验等多个阶段，但新技术通常只在单一阶段、小语料上与简单基线做孤立对比。孤立收益能否叠加、检索与忠实度是否偏好同样的设计、5K 规模的结论能否外推到 200K，此前缺乏受控的量化研究。

方法 作者开发了开源框架 LASAGNA，每个阶段都有固定接口并有隔离测试，保证换一个组件不会改动其他阶段。他们用 D-optimal 设计（Fedorov 坐标交换）从 30,720 种组合中抽取 242 个，实际执行 167 个，覆盖 8 个维度，另做 138 个非因子消融配置。评测集是把 5 个 BEIR 数据集和 3 个 QA 数据集合并成一个 5K 文档的多领域语料，共 93 条检索查询和 56 条生成查询，指标为 NDCG@10 和 RAGAS 忠实度（GPT-5.1 评判，并用 Claude 和人工做了一致性检查）。预先声明了三个假设（H1 可加性、H2 单一配方通用性、H3 规模不变性），并用 3 个 seed 在 5K–200K 的语料上跑缩放实验，同时比较了四种 profile（SPEED/STANDARD/BALANCED/MAX-RELIABLE）。全部实验花费约 $5,200 API 费用和 310 小时。

• 检索增益次可加：交叉编码器重排、关闭 MMR、文档感知前缀三项单独增益预测 +46.6%，BALANCED 流水线实际只有 +17.2%，缺口 63%；对 17 种组合，缺口范围 7%–72%，中位数 41%（p.6）
• 忠实度近似可加：BGE-large、层级分块、hybrid-BM25、Speculative-RAG 的单因素预测 +28%，最优完整流水线实际 +32%（p.7）
• 检索与忠实度几乎无关：匹配配置上的 pooled Pearson r=−0.01（p=0.91）；检索主要受 embedding（η²=0.164）、enrichment（0.144）、reranking（0.090）影响，忠实度主要受 query augmentation（0.224）和 agentic gating（0.217）影响（p.6-7）
• 规模改变排名：STANDARD 在 5K/15K 领先，BALANCED 自 25K 起领先，在 200K 处 NDCG@10 高 13.7%（p=0.003，3 seeds）；SPEED 和 STANDARD 的 log-linear 下降斜率分别为 −0.115 和 −0.055/decade，BALANCED 和 MAX-RELIABLE 基本持平（p.8, p.36）
• 四种 profile 呈 Pareto 权衡：STANDARD 的 NDCG@10 为 0.860、忠实度 0.739、延迟 5.30s，HV 最高 0.523；BALANCED 的忠实度 0.911、延迟 12.25s；MAX-RELIABLE 的忠实度 0.916、延迟 14.16s（Table 2, p.9）
• 消融中的意外发现：2019 年的 MiniLM-L6 交叉编码器优于 4 个较新重排器；BGE-M3 经 Matryoshka 截断到 768 维后，存储省 25%，NDCG@10 提升 2.3%；MMR 平均使 NDCG@10 相对下降 3.6%；HyDE +3.1% 但首跳延迟翻倍（p.6, p.9）

最大的价值不在方法，而在实验设计：用 D-optimal 部分因子设计在 8 个阶段上直接量化「预测增益 vs 实际增益」，并同时报告检索与忠实度两条轴和多种语料规模。这比之前 FlashRAG、BERGEN 的网格或贪心搜索更能说明交互效应。结论方向（组件会重叠、小语料结论不一定外推）符合工程直觉，但有了数字。然而数字本身的外推力有限，因为测试集很小、生成器单一。框架 LASAGNA 本身的新颖性一般，主要价值是阶段隔离和统计检验的便利。

主要优点是诚实：明确承认了预注册偏离（167/242 配置、2,300→93 条查询、MS MARCO/CUAD 被替换、幂律改为 log-linear、H1 与 H2 未按预注册标准证实），并强调这是内部「预声明」而非第三方预注册。但证据强度有限：(1) 每个配置仅 93 条检索 / 56 条生成查询，E1 实验只有 43 条独特查询，场景单一（英文、5 个领域、干扰文档来自同一领域），所有头部结果来自单一专有生成器 GPT-5.1；(2) H1 的预定检验（交互解释 ≥20% 忠实度方差）没有通过，作者把主结论转移到「预测-实际缺口」这个事后构造的统计量上；(3) 167 配置的设计极不平衡（单元格 1 到 7），η² 为未调整的边际值，不可叠加；(4) 「+47% vs +17%」是对 BALANCED 一个具体流水线的比较，没有给出置信区间，一个配置的结果较难泛化；(5) 缩放结论依赖 3 个 seed，H3 在 25K 和 100K 处功效不足，而且 Table 22 里 BALANCED 在 25K 的 NDCG 仅 0.664，波动很大，且缩放只在 200K 处显著（p=0.003），中间点 p>0.17；(6) 忠实度评判一致性偏弱（与 Claude Opus 4.7 的 Pearson r=0.44、κ=0.35），且忠实度部分受答案长度影响；(7) 重排器结论「老模型胜过新模型」可能是语料特异的。总体：方向性结论可信，具体数字应视为案例证据。

✅ 官方资源 · https://github.com/dolev31/lasagna
框架代码官方开源（Apache-2.0，含 53 个内置组件、6 种向量库后端、15 个 benchmark adapter）。但论文专用产物（D-optimal 设计矩阵、逐配置 profile、逐 query 原始分数、分析脚本、缩放语料构建脚本）不在发布中，仅「按需向作者索取」，无法直接复现完整研究。复现完整研究约需 $5,200 API 费用加约 310 小时，且依赖 GPT-5.1。

应用落地适合需要为内部工具链/运维/金融核对等重复任务批量生成可复用 Skill 的团队：用强模型做 Educator、便宜模型做 Student+执行者，把 Skill 沉淀成 SKILL.md+脚本。前置条件是每个任务族要有可执行的 anchor、私有验证器和写清不变量与可变范围的 spec；没有自动验证器就无法形成 anchor 反馈闭环。Issue-Guided 版本可作为降低强模型调用成本的默认选择。

研究跟进最直接的缺口是消融：论文自己在 Limitations 承认没有分离 Educator、复盘时机与 issue 结构各自的贡献；此外 Educator 比 Student 更强，未测“同模型自我教学”或弱教师。另可检验：多 anchor 是否缩小对单一 anchor 的依赖、issue 触发器能否换成学习式/不确定性估计、以及 Student 在 DeepSeek 上因 issue 导致工作量增加 36.6% 的原因。

可复用方法可直接搬走的有：（1）让教师只读观察、可“沉默”，学习者保持写入权；（2）教学指令必须附带“学习焦点+可观测验收标准”，并用 commit_skill_revision 声明证据与所关闭的问题；（3）用 anchor 上的新会话求解器做每轮冻结评测，矛盾反馈重开对应问题；（4）评测技巧：只选 No-Skill 下至少两次非满分的家族、按家族宏平均并做家族级 bootstrap。

背景 Agent Skill（SKILL.md + 脚本）能在不改权重的情况下复用任务知识，但一次成功的尝试并不能保证技能适用条件被验证过。已有方法（Trace2Skill、SKILL-KD、SkillLearnBench 的 Teacher Feedback）多在轨迹结束或失败后提炼/修订，论文追问：外部专家应在学习者还在收集证据时介入吗？

方法 提出 SSL：Student（目标求解模型）是唯一操作环境、撰写 Skill 的角色，Educator（更强模型）只读观察最近工作和当前 Skill，可讲解、质疑、诊断或沉默。Fixed-Window SSL 每 g=10 次工具调用复盘一次；Issue-Guided SSL 维护“学习问题树”（学习焦点+验收标准+证据），仅在问题打开/变化/重开时复盘，Student 可通过验证、限定适用范围来关闭问题而无需再呼叫 Educator。每轮用新会话求解器在 anchor 任务上测试，共 3 轮，反馈进入下一轮。同时构建 SkillTransferBench：35 个任务族、408 个可执行用例，6 个领域，每族一个 anchor + 公开的变化规范，held-out 用例在新会话中评测；主队列 22 族 155 例，3 次独立习得重复。对比 No Skill、Expert Authoring、Post-hoc Teaching、适配版 Trace2Skill 和 SKILL-KD，并在 Qwen/DeepSeek/Kimi 三组模型对的 10 族 77 例子集上复现。

• Qwen 主队列家族宏平均效用：No Skill 0.723，Trace2Skill 0.761，SKILL-KD 0.751，Fixed-Window SSL 0.801，Issue-Guided SSL 0.805；Fixed-Window 比 Trace2Skill 高 3.99pp（95% CI [1.45,6.49]）(p.7, p.18)
• 全通过率从 32.5%（No Skill）升至 49.5%（Fixed-Window）和 50.8%（Issue-Guided）；Fixed-Window 在 22 族中 16 族优于 No Skill (p.7, p.18)
• 跨模型子集（10 族）相对 No Skill 增益：Fixed-Window Qwen +4.1 / DeepSeek +3.1 / Kimi +8.2；Post-hoc Teaching 仅 −0.7 / +0.5 / +4.1，低于 Expert Authoring 的 +1.1 / +1.2 / +5.8 (表2, p.8)
• 教学需求随轮次下降：lesson 比例 73.0%→37.5%→16.1%；每次复盘 token 从 74.7K 增至 395.7K（5.3 倍），最后一轮 85.8% 的复盘 token 花在“沉默”上 (p.8, p.23)
• Issue-Guided 相比 g=10：Educator token 减少 61.7%（2.40M→0.92M/run），总习得 token 减少 16.9%（6.89M→5.72M），复盘次数 630→329；DeepSeek/Kimi 分别省 63.8%/77.4% Educator token，但 DeepSeek 总 token 反增（−1.10M 净省）(p.9, 表18)

真正的新意主要有两点：一是把“指导发生的时机”作为对照变量（练习中交织 vs 事后复盘 vs 专家代写），并保持 Student 为唯一作者；二是用持久化的 issue 树（带验收标准）驱动选择性复盘，把教学成本与“未解决问题”挂钩。方法层面属于较重的 agent 工程编排，核心思想是“带条件触发的教师在环”，并非全新范式；SkillTransferBench 的“公开变化规范 + held-out 同族用例”设计是有用的评测贡献，但与 SkillLearnBench 等相比增量有限。

优点：有三次独立习得重复、家族级配对 bootstrap CI、case 级改善/退化统计、跨三组模型的复现、公开轨迹。问题：（1）增益幅度不大且置信区间偏宽，如 Fixed-Window 相对 Trace2Skill 的 CI 下限仅 +1.45pp，对 Expert Authoring/Post-hoc 的差距在子集上 CI 多数跨零（表13，DeepSeek/Kimi 仅单次重复，Fixed-Window−No Skill 在 DeepSeek 的 CI 为 [−4.63,+13.03]）；（2）Issue-Guided 与 Fixed-Window 的效用差 0.4pp 完全在噪声内，论文的论点是“同效用更省 Educator token”，而非更高效用，且 DeepSeek 总 token 反增；（3）自建 benchmark，题目由作者团队用 agent 辅助构建，且主队列按 Qwen No-Skill 表现筛选，存在对 Qwen 的选择偏差；（4）Trace2Skill/SKILL-KD 经过适配（替换前端、用单 anchor、Teacher 为 Max），与原论文设定不同，且基线不拿到 Educator 式交互预算，cost 不可比（无总 token）；（5）每族 5–10 个 held-out 用例、22 族，样本小；部分族 SSL 反而低于 No Skill（如 SQLite 持平，ACL 持平/下降）；（6）过程分析（teaching→写入+23.9pp）是观察性关联，评审决定受学生状态影响，论文也承认；（7）Educator 强于 Student，收益可能部分来自“强模型知识注入”，与 Expert Authoring 的对比并未完全剥离；Expert Authoring 效果很弱（+0.46）反而说明设定可能偏向 Student 自写。

✅ 官方资源 · https://github.com/NJU-LINK/Socratic-Skill-Learning
官方 MIT 仓库，含 benchmark/ 任务、src/ 执行 harness、experiments/ 记录（冻结 Skill、分数、可解包的会话日志）、配置与 trace2skill/skill-kd 基线命令。复现需 Node.js 22.19+、Docker 和模型 API；每次 Qwen 习得运行约 5.7–6.9M token，主实验含 66 runs×多种协议，成本不小。仓库星数很少，较新。

应用落地适合要把开源小模型（4B/30B-A3B 量级）训成能在多种 agent 框架（Claude Code、OpenClaw 类）里通用的团队，不必为每个框架单独训练。前置条件是有可编程的 harness 层（能改系统提示、工具名、观测格式、上下文压缩、工作流）、可验证的任务奖励，以及 16–32 张 H20 级 GPU。若产品最终要接入客户自带的 agent 框架，这一做法可降低适配成本。

研究跟进开放问题包括：真正的缩放规律（组件数、每个组件的水平数增加后收益是否继续）；各组件的边际贡献（论文没有做单组件消融）；组件变体由 Opus-4.7 生成，没有人工设计的、更接近真实框架的变体；只测了 Qwen3 和 ClawGym 这一类任务；K=4 变差的原因不明。还可以做自适应课程，按模型当前薄弱的 harness 采样，替代固定正交表。

可复用方法可直接搬走的有三点：(1) 用强度为 2 的正交表（5 因子 3 水平给出 18 行）压缩配置空间，替代随机采样或全组合；(2) 锚点加最近邻（Hamming）的分配方式，让同一任务在相邻训练步里看到近邻 harness；(3) 评测时固定一组留出组合，并用 Repeat-N 对照排除“同一任务多次出现”的混淆。训练配方为 veRL + 异步 vLLM，lr 1e-6，clip 0.2/0.28，不加 KL，上下文压缩产生的片段共享同一 rollout 优势。

背景 智能体的 harness（系统提示、工具接口、观测格式、上下文管理、工作流）决定了模型如何调用工具和维护状态。现有 agentic RL 多数通过单一固定 harness 训练，容易过拟合到该配置，换 harness 后迁移差。此前的规模化主要沿任务和环境两个维度展开，harness 多样性没有被系统研究。

方法 将 harness 分解为 S/T/O/C/W 五个组件，每个组件 3 种实现（由 Opus-4.7 生成变换），得到 3^5=243 种配置，构成 Hamming 图。用强度为 2 的正交设计选出 18 个训练配置（每个组件取值出现 6 次，任意两组件的取值对出现 2 次），另固定 18 个留出配置做评测。训练时采用局部感知分配：每个任务先均匀采样一个 anchor harness，再取 Hamming 距离最近的 K-1 个（K=2），在连续 K 个训练步中使用，优化目标仍是标准 PPO/GRPO。以 Qwen3-4B-Instruct 与 Qwen3-30B-A3B-Instruct 在 ClawGym-Task（13.5K 任务）上训练 300 步，在 ClawGym-Bench、PinchBench、JobBench-Easy 上评测 Pass@1（3 次平均）。

• 留出的 harness 配置上，三个基准平均提升：4B GRPO +9.80、4B PPO +3.57、30B-A3B GRPO +5.21、30B-A3B PPO +4.90；总平均分 4B GRPO 从 29.81 升到 39.04，30B GRPO 从 37.29 升到 42.78 (Table 1, p.7)
• 未见过的 Claude Code harness 上，Harness Scaling 平均 37.22 / 41.20（4B / 30B），高于 Black-Box SFT 的 35.08 / 38.08 和 Black-Box RL 的 33.38 / 36.28，后两者在 OpenClaw 上训练 (Table 2, p.8)
• 结构化 18 套 harness 优于随机 18 套（ClawGym 52.78/45.37 对 47.90/42.78）；随机分配任务-harness 比局部感知分配低 2.32/2.20 分 (Table 3, p.8)；全量 243 套在同等预算下反而更差 (Fig.3, p.9)
• K=2 最优：ClawGym 52.78/45.37，高于 Repeat-2（同一 harness 重复，49.76/43.60）和 K=4（49.56/41.99）(Table 10, p.19)
• 在基础训练 harness 上基本无损（59.63 对 59.82，仅 -0.19），而 in-space 提升 +10.48，Claude Code 提升 +3.60 (Table 4, p.10)；对三个几何上分散的单一固定 harness 基线，Harness Scaling 仍更强（4B：40.86/37.22 对最佳单一 35.79/36.11）(Table 11, p.20)

把 harness 多样性当作与任务、环境并列的 RL 规模化维度，并用正交表（经典实验设计）压缩 harness 配置空间，再结合 Hamming 距离做任务-harness 分配，这套组合是新的。本质上是对 harness 做领域随机化（domain randomization），思想不算全新，但把它形式化并做了系统消融（正交 vs 随机、局部 vs 随机、K 的取值、Repeat 对照）。‘scaling’的说法偏强：实验只测了 1/3/18/243 四个点，没有真正的缩放曲线。

证据整体较一致：多个模型规模、两种 RL 算法、三个基准和两个外部 harness 的趋势同向，且有 Repeat-2、正交对随机、单一 harness 敏感性等有针对性的对照。但有几点要保留：(1) 外部 black-box 对比里，Black-Box RL 在 OpenClaw 上训练、Claude Code 上评测，而 Harness Scaling 的 harness 变体由模型生成，两者训练数据分布并不相同，且黑盒基线只用了一个 harness；(2) 部分提升较小，如 4B PPO 在 Claude Code 上 PinchBench 仅 47.74 对 47.82，4B GRPO 在 JobBench Claude Code 上也只是个位数绝对分，评测只有 3 次运行，无置信区间或显著性检验；(3) 训练和评测任务来自同一作者团队的 ClawGym 系列，PinchBench / JobBench 提升有一定独立性，但 ClawGym-Bench 偏同源；(4) 评测和行为分析用 GPT-5.4 当裁判，行为雷达图没有给数值；(5) 主基线 Single 用的是 base harness，Table 11 显示单一 harness 的选择会让结果浮动约 5 分，说明基线选择影响不小；(6) 全量 243 套更差的结论是在固定 300 步预算下得出的，不能说明多样性过多本身有害；(7) 没有对 5 个组件逐个消融，‘规模化’也缺少连续曲线。

✅ 官方资源 · https://github.com/RUCAIBox/Harness-Scaling
官方 GitHub 仓库存在，有内容，但 star 仅 1、无 license，我只核验了仓库存在，没有核验是否含完整训练代码、harness 变体与权重。附录给出了 18 个训练配置、18 个评测配置和超参，原则上可复现；复现需要 16–32 张 H20 GPU，以及 ClawGym-Task / ClawGym-Bench / PinchBench / JobBench，评测还要 GPT-5.4 作裁判。

应用落地可作为内部评估 coding agent 在系统/性能优化类研发任务上能力的测试台：选型 harness+模型时，既看通过率，也看成本-通过率曲线（Claude Opus 5.5 每次运行约 $20，DeepSeek V4.1 Flash 约 $0.1–0.2 但通过率 15%）。前置条件是需要 GPU（部分任务 H100）和较长的 5 小时运行时间；私有 100+ 任务暂不可用。

研究跟进开放问题包括：单次运行、无重复导致方差未知，FDI 对单个任务不确定大；通过标准把「所有指标所有 workload 同时达标」设为硬门槛，可探索软通过/多目标 Pareto 评价（论文也承认 QuarterPIR 和 BBQ 中通过与分数都分不开质量差异）。另一方向是检查数据污染——这些论文多为 2023–2026，仓库可能出现在训练集里，论文未讨论——以及让 Agent 学会选择最终提交的 patch（开发集分数与留出集的泛化差距）。

可复用方法「删除论文贡献、以被删代码为参考并按其测量值设阈值」的任务构造流程可直接搬到企业内部仓库做回归式研发评测；judge 的架构（Agent 沙箱仅经 driver 联网、只返回开发集分数+脱敏信息、留出集私有）可防止作弊和下载原代码。FCI 的拟合方法（每指标的通过结果+分数 margin 联合进 IRT，附录 D 给出全部 12 步和超参）可用于多指标 agent 基准的统一排名与置信区间。

背景 已有开放式编程基准（FrontierCS、ALE-Bench 等）只让 Agent 读题写一个程序、事后评一次分；在真实环境中的基准（SWE-bench、MLE-bench、PaperBench 等）要么局限在机器学习，要么用测试/排行榜/rubric/重实现作基准，而不是作者自己的代码。本文想问：Agent 能否像研究者一样接手一个已有系统，改进一个组件并在论文自己的 workload 上超过原实现。

方法 从 48 篇论文（覆盖 13 个 CS 领域，如数据库 9、机器学习 9、MLSys 6、HPC 4、PL 4 等）的官方开源仓库里删除核心贡献代码，保留其余依赖；被删代码作为私有的「人类参考」，在论文原 workload 上测出各指标的通过阈值（如 SVG-EAR 要求延迟 ≤0.96×参考、PSNR 差 ≤0.25 dB）。Agent 有 5 小时，可随时提交 patch，judge 返回开发集分数和脱敏信息，评测器、留出的最终测试集和参考保持私有，并用隔离沙箱限制网络；最终只评 Agent 指定的那一个 patch。运行「通过」要求在所有留出 workload 的每个指标上都超过参考。共评测 12 个「模型+harness」组合，每任务 1 次运行；并借鉴 Epoch Capabilities Index，用 IRT 式联合模型拟合 FCI（Agent 能力）和 FDI（任务难度）。

• 通过率：Claude Opus 5.5（Claude Code）58%，GPT-6 Astra 44%，Gemini 4 Argon 40%，GPT-6.1 Sol 35%，GLM 5.3 25%，其余 8%–21%，Step 5 Preview 最低 8%（图2, p.3）
• 48 个任务中有 16 个任务无任何 Agent 通过（摘要/p.4）
• FCI：Claude Opus 5.5 55.7，GPT-6 Astra 50.7，GPT-6.1 Sol 42.6，Gemini 4 Argon 39.5，Step 5 Preview 9.8；中位任务难度约等于最强 Agent 的 FCI（图7, p.11；p.10）
• 平均「最终分数−参考」：Claude Opus 5.5 +9.4，GPT-6 Astra +7.1，GPT-6.1 Sol +5.7，Step 5 Preview −10.6；分数更高不等于通过，多数分数超过参考的运行仍在某指标/workload 上不达标（图6, p.10；p.9）
• 预算相关排名：成本上限很低时 DeepSeek V4.1 Flash 领先（成本为下界），预算最大时 Claude Opus 5.5 领先（p.11）；案例中 Muse Wonder 1.0 在 QuarterPIR 上把每次查询字节数从参考的 1,760 降到 1,280，而其他通过者仅降到 1,664–1,744（图9, p.13）

核心新意是「减法式」构造任务：以作者官方代码本身作为可运行、可测量的 oracle，并加上带反馈但评测器/留出集/参考全部私有的 judge，把开放式 CS 研发任务跨 13 个领域统一起来。与 MLS-Bench、ResearchGym 的设计相近，主要差异是领域广度和以原作者代码为阈值。FCI/FDI 基本是对 Epoch ECI 的改造，方法上增量有限。结论中把「通过」与「最终分数」「副作用成本」（电路面积、字节数）分开看，是有价值的评测观点，但没有给出系统的解决方案。

优点：以作者真实代码为基准、留出 workload、隔离沙箱，明显比自建 rubric 更硬；并诚实指出通过与分数的错位。局限：（1）每个 agent 每个任务只跑 1 次，共 12×48 次，没有重复运行，方差无法判断；FCI 的 90% bootstrap 区间较宽，相邻 agent 排名（如 Muse Spark 1.3 与 Qwen 3.8 Max）不可分，论文自己也说区间只分开相距较远的 agent。（2）harness 与模型捆绑（各用自家 harness、推理 effort 不同、部分输出限制未知），无法分离模型与脚手架的贡献。（3）任务来自公开论文和仓库，污染风险没有分析。（4）通过标准过严/阈值（如 0.96× 延迟）是人为设定，且 Agent 的评测由作者团队运行，团队同时开发了其中多个任务的源项目（SVG-EAR、Continuum、FlashLib 等），存在潜在利益冲突。（5）成本对比里 DeepSeek 成本是下界，其领先依赖定价假设。（6）模型名为后续版本，无外部可核验的对照，我只能按文中数字转述。

✅ 官方资源 · https://github.com/FrontierCS/FrontierCS-2
官方 GitHub 仓库存在（29 星，CC-BY-4.0，最近 push 2026-10-22），我只看到了仓库存在，未核验内容是否含全部 48 个任务及 judge。论文的评测器、留出集和人类参考按设计保持私有，另有 100+ 任务的私有集「将来公布」。完整复现需要 H100/A100 等 GPU（如 SVG-EAR 为 15 GPU 小时+验证 4×91）、Continuum 最终评测 30 小时，且依赖各厂商 API 的 Agent 运行成本约每次 $0.1–$20。

应用落地适合有算力预算、需要在多种模型/训练配置上持续做预训练配方调优的团队（如内部预训练组），做成"提议者+代理评估+少量真实验证"的实验推荐器。前置条件是已积累上百条带实验结果的记录、有可自动实现改动的 builder 和统一评测流水线；仅限小模型(0.1–0.5B)级别的配方改动，尚未证明能迁移到真实大规模训练。

研究跟进开放问题：(1) 只验证了小规模、预定义机制库内的提案，未做端到端多轮研究和后训练；(2) 小模型上的增益能否外推到大模型规模；(3) 校准批次选择只用 top-rated，可结合不确定性/信息增益；(4) RWM 依赖闭源 GPT-6-sol，换成开源 RWM 或自我作为 RWM 是否仍稳定；(5) NanoChat 等头部空间有限的家族增益几乎为零。

可复用方法可搬走的配方：用上下文记录驱动的冻结 LLM 做奖励、按任务噪声 σe（含 MAD）归一化+截断、重复提案惩罚低于组内最低有效奖励、按同机制方向的稀有度加多样性奖励；对代理奖励做"对高分样本定向真实验证并回写上下文"的校准；用配对排序准确率、优势余弦、错误强化率监控代理奖励是否漂移，并用同一批提案换记录评分的方式隔离记录的影响。

背景 让 LLM 自动做 AI 研究时，瓶颈在于"该试什么"的研究判断，而真实训练一次要几十 GPU 小时，直接用执行结果做 RL 奖励成本高到不可行（文中估算约 115 万 GPU 小时、超 1600 万美元）。已有工作用上下文中的历史实验记录做 ICL，或用世界模型预测结果，但 RL 过程中策略分布漂移会让代理奖励被过度优化。

方法 提出 LM2LM：提议者（Qwen3.8-27B）针对"任务+历史实验"状态生成训练配方改动提案；冻结的 GPT-6-sol 作为研究世界模型（RWM），在上下文中读入真实实验记录后预测增益，经任务级尺度归一化与截断后，加上有效性、重复惩罚和多样性奖励，用 DAPO 训练。每隔几十步（共 3 次，步 16/40/64）把当前策略中 RWM 评分最高的提案真实执行（共 100 条初始记录+约 100 条校准记录=200 次真实运行），并把结果加入 RWM 上下文（on-policy calibration）。环境为 8 个 AR/扩散 LM 家族、40 训练任务和 10 个留出任务（60 AR + 18 扩散留出状态），每个提案由 builder（GPT-6-astra）实现并真训练评估。基线包括 zero-shot、ICL（最多 300 条记录）、SFT、RFT-Real。

• 留出任务真实执行：LM2LM 在 AR 上 Avg@4/Best@4 为 17.06/23.40（×10⁻³ BPB），扩散上 7.10/9.93（×10⁻² nats）；最强基线 GPT-6-sol-ICL 分别为 6.15/11.27 和 4.94/5.93；对 Base 的胜率 AR 93.3%、扩散 100%（p.6，表1）
• 负增益提案比例：Base 70.4% → LM2LM 39.2%（AR），59.7% → 7.6%（扩散）；但 AR 上仍高于 GPT-6-sol-ICL 的 29.6%（p.6）
• 成本：LM2LM 用 200 次真实运行，数据生成成本 $40.1k / 343 小时，对比 ICL K=300 的 $60.0k / 510 小时，约低 33%；含 RL 训练总计 $56.1k（p.7，附录 G.2）
• 留出整个 Qwen3 家族：LM2LM Avg@4/Best@4 为 53.72/86.69，GPT-6-sol-ICL 为 21.63/25.27（p.7，表2）
• 消融：随机校准 Avg@4 从 17.06 降到 10.84；静态 M0' 加 100 条随机记录为 14.76；静态 RWM 的配对排序准确率从 0.72 掉到 0.37（低于随机 0.5），LM2LM 保持 0.61（p.7-8）

RL 训练 LLM 做研究提案、用世界模型当奖励并非全新（文中提到并发工作 WMRL 和 Wang et al. 2026b 的 RWM），真正的新意在于：把冻结 LLM+上下文记录作为奖励模型，并针对"RL 即将强化的高分提案"做定向真实执行来校准（只更新上下文、不重训），以较少真实运行抑制奖励过优化。这是对 RLHF 中奖励模型过优化问题的一个实用的主动学习式处理，但整体仍是已有组件（DAPO、LLM-as-judge、ICL）的组合，且场景限定在预定义机制库的配方改动。

优点：真实训练执行评测、留出任务与留出家族、有消融（静态记录 vs 随机记录 vs 随机校准）、给出以种子噪声 σe 归一化的统计稳健性（Avg@4 为 7.29σe，50.8% 提案超 2σe）和 bootstrap 区间。问题：(1) 全部为自建环境和自建机制库，提议者与评测动作空间同分布，难说是真正的"研究判断"；(2) 留出集小（78 个状态、10 个任务，且集中于少数任务，如 OLMo-3 100m-1c 占 17 个），Qwen3 增益尤其大、拉高均值；去掉 Qwen3 后 AR Avg@4 仅 4.42，NanoChat 上所有方法几乎无增益，LM2LM 在 Marin、E2D2-SW 上输给 ICL 基线；(3) 单次运行、Avg@4 差距较大但无显著性检验，每个提案只跑一次；(4) 基线较弱：SFT/RFT 仅 300 条且用 LoRA，ICL 超出记录数时性能非单调(K=100 时 GPT-6-sol-ICL 比 zero-shot 还差)，说明 ICL 基线设置本身不稳；成本对比只算数据生成成本，不含 RWM 对 GPT-6-sol 的依赖；(5) LM2LM 用 200 次真实运行的上限与 ICL 的 300 条记录比较，但 LM2LM 的 RWM 还依赖前沿闭源模型；(6) 校准样本在 Qwen3 留出实验中真正未见，但 RWM 本身是 GPT-6-sol，可能在预训练中见过相关知识；(7) 作者来自 Amazon，无明显利益冲突披露。结论"RWM 提供信息性排序"有数据支撑，但"通向递归自我改进"属于过度外推。

❌ 无公开资源
未发现代码、数据或模型权重链接，论文也未声明会发布。复现需要 200+ 次真实预训练运行（约 2,758 B200 GPU 小时）、RL 训练约 1,131 GPU 小时，以及调用 GPT-6-sol/GPT-6-astra API；论文附录给出了 RWM 与 builder 提示词和 DAPO/SFT 超参，可部分参照。

为什么有意思很多人对游戏的刻板印象是“打打杀杀”，这篇论文给出的数据却是：游戏里竞争与支配类内容的占比在下降，友情、温暖、同情在上升，而且同一个系列（如FIFA）的后续作品也在往这个方向走。这提醒我们，游戏吸引人不只靠“赢”，也靠“被关怀、有伙伴”。另一个反直觉点：外向、爱社交的玩家反而偏爱更竞争的内容，“爱和人在一起”不等于“爱温暖的内容”。

属于哪个分支与学科脉络属于文化心理学与进化取向的“文化进化/认知化石”路线（用文化产品的内容变化来推断人的心理偏好），同时跨到人格心理学和媒体心理学。这几年该方向的趋势是：用大模型对海量文本、图像、游戏做标注，替代小样本人工编码，并借助预注册式的稳健性检验和多重宇宙分析增强可信度。这篇属于延续并扩展（把此前对小说、肖像画的分析扩展到游戏），不是开创，也不是反驳。

对想学心理学的人这篇展示了一种“计算文化心理学”的做法：先有理论词表（48种动机），再用大模型规模化标注，最后用回归、混合模型、分位数回归、多重宇宙分析验证；需要的技能是统计（R/Python、混合效应模型、多重比较校正）、提示词工程和对测量误差的敏感度。该分支的出路主要在高校/研究所，也与游戏行业用户研究、内容推荐、数据科学岗位相近。同时它也示范了一个重要意识：数据量大不等于结论可靠，系统性偏差比随机噪声更危险。

背景 人们常说游戏越来越“社交化”，但这多是指玩家怎么玩（和谁一起玩），而不是游戏内容本身在激发什么动机。作者想知道游戏内容所模拟的动机，在过去二十多年里有没有系统性变化，这种变化与当今玩家的性格偏好是否同向。此前相关研究多聚焦暴力游戏效应或玩家社交，尚无大规模、长时段的内容层面分析。

方法 研究一：取VGChartz销量数据库中11,359个1993–2016年的游戏发行版本，让GPT-5.4按48种“动机成分”（如地位追求、复仇、友情、同情、好奇）各打0–6分，再在每款游戏内部归一化为相对占比，汇总成“竞争指数”（9项）和“亲社会指数”（12项）。作者人工给99款游戏盲评，与模型对照，并用预测驱动推断（prediction-powered inference）校正标注误差。再做大量稳健性检验：分类型、单/多人、同系列内、畅销款、加权、分位数回归、642,560种指数定义的多重宇宙分析。研究二：通过一个2024年上线的游戏化在线测评平台，4,498名玩家（男女，平均32.6岁，女性15.9%）完成BFI-2-S大五人格量表并填写至多5款最爱游戏，共21,539条记录，用同一方法标注游戏，以线性混合模型预测游戏的“亲社会占比”Q。

• 竞争指数平均占比从1993年的约41%降到2016年的约26%（拟合值40.5%→25.9%），亲社会指数从11.0%升到23.6%；年度回归每十年亲社会+5.44个百分点、竞争−6.34个百分点，R²约.90（摘要；p.7）
• 在11,359款游戏层面，年份只解释约8–10%的方差（年度平均后的R²≈.9是聚合造成的假象）；控制类型、平台数、销量后，每十年亲社会+3.9、竞争−4.5个百分点（p.8–9）
• 人工盲评99款与模型的相关：亲社会指数ρ=.82、竞争指数.76、亲社会占比.87；仅用人类标注也恢复出趋势（每十年+11.9个百分点，p=.001），校正后模型估计+10.44（95%CI 6.64–14.24）。但在99款子样本中竞争指数本身并无显著下降（p.9–12）
• 稳健性：12个类型中11个亲社会上升；单人游戏（+4.5/−4.8）和多人游戏（+5.2/−6.1）都有；同一系列内亲社会+2.5/竞争−2.2（约为总体的一半）；642,560种指数定义下亲社会占比100%显著上升（范围+6.4至+17.0）；畅销前10名的竞争下降不显著（p.12–18）
• 研究二：外向性预测更低的亲社会占比（b=−0.006，p<.001），宜人性预测更高（b=0.003，p<.001），一个标准差对应仅0.2–0.6个百分点；性别影响大得多（女性比男性高约4.7个百分点）。宜人性的效应主要来自对地位追求、嫉妒、复仇等对抗内容的回避，而非对关怀类内容的偏爱（p.21–23）

新意主要在方法与尺度：首次用统一的“动机成分”词表，对上万款游戏做了跨二十年的内容层面纵向分析，并把“游戏的社交情境”与“游戏的社交内容”分开。方法学上最有价值的是针对LLM标注设计的验证流程（检验假阴性/假阳性、用缩小样本规模来压低偏差容忍线、预测驱动推断校正）以及多重宇宙分析，这对“用大模型做文化数据标注”是很好的示范。“亲社会转向”这一概念本身是对已有趋势的描述性新发现，因果解释部分则仍是推测。

优点：语料大、验证设计细致、有盲评人工对照、大量稳健性检验，趋势方向相当可信。局限：（1）核心度量依赖LLM对游戏“动机成分”的打分，人工验证仅99款、仅一位作者编码，且作者自己承认无法排除小的年份相关偏差；在这个子样本中竞争指数下降并不显著，趋势主要靠亲社会占比体现；个别成分一致性低（如宽恕ρ=.36、骄傲.43）。LLM对老游戏可能只靠名气“凭印象”打分，这类偏差难以排除。（2）竞争/亲社会指数的归类含理论选择，例如“道德指责”“内疚”被算作亲社会，“联盟归属”被算作竞争，不过多重宇宙分析对此有一定缓冲。（3）语料只含主机与PC游戏，且止于2016年，排除手游，难以代表今天的游戏。（4）年度R²≈.9是聚合假象，真正的游戏层面年份解释力只有约10%，“转向”是平均数的漂移，个体游戏差异很大；同系列内效应只有总体一半。（5）研究二是横断面、自选的在线平台样本，男性占84%，主要为欧洲用户，性格效应极小（0.2–0.6个百分点），且“亲社会占比”这类比值指标使宜人性效应主要来自对竞争内容的回避，论文也承认了这点。（6）历史变化的三种解释（受众构成、心理生态、设计漂移）无法区分，研究二不能证明受众变了；没有预注册，也未见独立重复。无利益冲突声明。属于预印本，尚未同行评审。

✅ 官方资源 · https://osf.io/sj6ch/overview?view_only=615f1e71542744b8bc0cd6184388a0c3
作者声明OSF上提供已标注语料、人工验证数据和全部分析脚本（R与Python双重复现）；链接为匿名只读审稿链接，未核实内容完整性。游戏标注提示词、问卷（BFI-2-S为公开量表）可能随材料提供。复现需调用OpenAI批处理API，有一定费用。未见预注册。

为什么有意思很多人直觉上认为“听到的声音像真人聊天，所以更可信”，或者反过来觉得文字才是错误信息的主要来源。这项研究显示 AI 播客的说服力和文章差不多，也就是说，声音并没有特别“放大”误导，但也不比文字弱。日常生活中，我们刷到的播客、短视频里的健康说法可能正是 AI 生成的，而一次简短的提醒就能让人更警惕。

属于哪个分支与学科脉络这属于认知与决策、判断与决策研究中的“错误信息心理学”分支，也与 AI 和心理学交叉。近几年该方向从“如何纠正错误信息（辟谣）”转向“如何事先预防（接种）”，又转向应对生成式 AI 带来的新形式（深度伪造、AI 文本、AI 音频）。这篇是把已有接种框架延伸到 AI 音频的延续性研究，作者之一 Ullrich Ecker 是该领域的知名研究者。

对想学心理学的人这篇体现了典型的在线随机对照实验：几百名网络参与者被随机分到不同条件，比较信念评分的差异，并且预注册了假设并公开数据。学这个方向需要实验设计、统计分析（比如方差分析、回归）、在线平台（如 Prolific）的使用，以及基本的编程和材料制作能力（这里还要会生成 AI 音频）。这类研究常见于高校、媒体素养机构、科技公司的信任与安全团队，以及公共卫生传播部门，是和现实需求结合紧密的方向。

背景 AI 现在可以生成非常逼真的音频，比如像真人对话的播客，这给网络上的错误信息增加了新渠道。以往关于错误信息的研究多集中在文字和图片上，对 AI 音频是否同样有说服力、如何防范知之甚少。“心理接种”（inoculation）是一类干预思路：像打疫苗一样，事先让人接触弱化版的误导手法或警告，以增强之后的抵抗力。

方法 研究包含两个在线实验，参与者均为美国人：实验 1（N = 463）的错误信息是“防晒霜中的纳米颗粒有害”，实验 2（N = 500）是“微波炉会破坏食物”。参与者被分配接收误导性 AI 播客、误导性文章，或中性播客（对照）。在误导性播客之前，部分人先接受被动接种（讲解 AI 生成信息如何欺骗人），部分人接受主动接种（在讲解之外增加一项教育性活动），另一部分不接受干预。研究测量参与者对错误说法的信念以及对 AI 生成信息的总体信任度。两个实验均有 OSF 预注册和数据链接。

• 播客和文章造成的错误信念增幅相当，说明 AI 音频的说服力不亚于文字 (摘要)
• 两种接种（被动、主动）都显著降低了对 AI 生成信息的总体信任 (摘要)
• 两种接种都削弱了播客对信念的影响，但没有完全消除 (摘要)
• 样本量：实验 1 为 463 人，实验 2 为 500 人，分别对应两个不同的健康主题 (摘要)
• 摘要未给出效应量、置信区间，也没有说明主动与被动接种之间差异的大小，具体数字需看全文 (摘要)

新意主要在于把研究对象换成了 AI 生成的音频（播客），并且接种内容聚焦“信息来源是 AI”而不是常见的误导技巧，这是一个较新的切入点。主动与被动接种的比较在已有接种研究里并不罕见，所以这部分更多是延续。用两个不同的话题做重复，增加了结论的可信度，但是否能推广到其他话题和长期效果仍不清楚。

优点：两个实验、约 460–500 人的样本、两个不同健康话题、有预注册和公开数据，对可重复性问题的处理比较规范。局限（仅基于摘要）：只有美国参与者，且可能来自在线平台，代表性有限；摘要没有报告效应量，不清楚“显著”的实际大小，也不知道主动接种是否明显优于被动接种；结果只测了短期信念，没有说明延迟测试，接种效果通常会随时间衰减；错误说法本身（纳米颗粒、微波炉）可能是参与者原有信念较弱的话题，对已有强烈立场的议题未必适用。“降低对 AI 信息的总体信任”也可能带来副作用，即连带降低对真实 AI 信息的信任，摘要未提及是否检验。因为没有全文，这些点需要对照原文核实。

✅ 官方资源 · https://osf.io/nwt8a
OSF 上有声明的数据页面（https://osf.io/nwt8a）和预注册（https://osf.io/czax3）。具体包含哪些文件（原始数据、分析代码、播客音频、问卷材料）仅凭摘要无法确认，需进入页面核实。

为什么有意思直觉上我们会说“少玩手机就好”，这篇提示更关键的可能是“能不能停得下来”：同样的游戏时长，自控困难的孩子注意力问题更明显。但同时也提醒别夸大：效应很小，且游戏方向似乎是“注意力差的孩子更容易玩得难以自控”，而不是游戏直接伤害注意力。对家长来说，更值得观察的是孩子是否影响睡眠、学业和朋友，而不是单纯卡时长。

属于哪个分支与学科脉络属于发展心理学/临床心理学与发展神经科学的交叉，聚焦数字媒体与青少年心理健康。这个领域这几年从“屏幕时间有害吗”的大争论转向“哪种使用、对谁、什么时候”（如发展敏感期、性别差异），并强调预注册和大样本。这篇处于延续和细化位置：重复了ABCD里小而稳的效应，同时用阴性结果（连接组预测失败、亚型复制失败）给过热的脑影像解读降温。

对想学心理学的人这篇展示了现代心理学研究的真实样子：用公开大队列做二次分析，要懂回归、聚类标准误、多重比较校正、预注册，还要会Python和在安全服务器上处理敏感数据。它还体现了“效应量意识”——β约0.1是什么意思、对个人意义有限但对群体可能重要。这类方向（发展心理+神经影像+数据科学）需要统计与编程能力，就业出口包括学术界、公共卫生、教育与科技公司的用户研究；注意ABCD数据需机构申请，学生通常从导师课题接触。

背景 人们常担心屏幕会伤害青少年心理健康和大脑，但以往大样本研究多发现关联很弱，且大多只用“每天几小时”衡量。作者想知道：衡量“是否难以自控”（问题性使用）是否更有信息量，并首次在同一批人身上检查脑结构和脑连接是否有对应痕迹。

方法 这是对美国ABCD研究（Adolescent Brain Cognitive Development，一项追踪约1.2万名9-10岁儿童的大型队列）7.0版数据的预注册二次分析。预测变量包括屏幕时间（小时）、社交媒体成瘾问卷SMAQ、游戏成瘾问卷VGAQ；结果是家长填写的CBCL（儿童行为量表）分数、FreeSurfer脑结构指标和静息态功能连接。主分析用线性回归，控制年龄、性别、种族、收入、家长教育和采集站点，并按家庭聚类标准误（兄弟姐妹/双胞胎不独立），五个确证检验用Benjamini-Hochberg法校正多重比较。另做稳健性检验（混合模型、遗传祖先成分、纳入非使用者、模拟已知效应）、探索性的交叉滞后模型（看谁先谁后）和留一站点的连接组预测建模（CPM）。

• 五个预注册确证关联全部为正但很小：β=0.051到0.173。例如VGAQ→注意力问题β=0.173（n=7,366），SMAQ→注意力问题β=0.107（n=5,414），SMAQ→外化问题β=0.116 (p.8-9, 表5-6)
• 屏幕时间与抑郁β=0.070、与焦虑β=0.051（n=10,783），是五项中最弱的，约为问题性使用关联的一半 (p.9)
• 同一批人中，量表比使用小时数更能对应注意力问题：VGAQ 0.173 vs 游戏小时0.077；SMAQ 0.107 vs 社媒小时0.061 (p.10, 表14)；但把非使用者按最低分纳入后，SMAQ→注意力问题降到0.042 (p.10)
• 性别差异只有一项在校正后保留：屏幕时间与焦虑，男生斜率0.080、女生0.016（交互q=0.007）(p.10-11)
• 脑结构：屏幕时间与右壳核(β=−0.038)、左壳核(−0.025)、左尾状核(−0.022)体积略小相关，所有区域效应不超过0.048 SD；SMAQ与任何脑区均无关联；连接组预测SMAQ的留出站点r=0.012，屏幕时间r=0.094，VGAQ r=0.062（排列p最低仅能到0.010）(p.11-13)
• 探索性交叉滞后：SMAQ(第2年)→第4年注意力问题β=0.058，反向β=0.035；游戏则相反，注意力问题→后续VGAQ β=0.072，高于反向0.043 (p.13, 表16)；复制ADHD生物亚型的ARI仅0.039（原研究0.21）(p.14)

“问题性使用比时长更相关”本身不是新结论，ABCD已有多篇类似工作；真正新的是把SMAQ/VGAQ、屏幕时间、家长评定、脑结构和连接放在同一批样本里，用预注册的确证/探索分区，并诚实报告阴性结果（SMAQ无脑结构关联、ADHD亚型难复制）。交叉滞后里“社媒更可能在先、游戏更可能反过来”是有趣但探索性的线索。整体属于扎实的延续性和部分“排除性”工作，而非突破。

优点：样本大（主分析n≈5,400–10,800）、预注册、多重校正、标准误按家庭聚类、报告了对预注册的偏离（换数据版本、固定效应代替随机效应、未加权、未设18小时上限）、做了模拟检测力检验。局限：1）全部为观察性数据，不能说因果；交叉滞后只能看先后；2）结果完全依赖家长评定，存在报告者偏差，且预测变量是自报，还有共同方法偏差（两个量表都与“注意力”相关的自评/他评混淆）；3）SMAQ/VGAQ只在第2年起、且只问有账号或玩游戏者，纳入非使用者后SMAQ效应降到0.042，说明结果受选择方式影响；4）效应都很小（β≈0.05–0.17，脑区≤0.048 SD），解释力有限；5）样本是ABCD（美国，未加权），不代表全美或其他文化；6）脑连接用网络级338条边，排列次数只有100，p最小只能到0.010，探索性结论证据弱；ADHD亚型“复制”规模小；7）控制变量未含睡眠、父母使用习惯、既往症状等，混杂可能存在；8）预注册中的主动/被动社媒使用未检验，部分假设未完成。作者在文中整体措辞较克制，结论基本得到数据支持。

❌ 无公开资源 · https://osf.io/dt8kj/overview
预注册公开在OSF（https://osf.io/dt8kj/overview）。数据为ABCD 7.0，需通过NBDC数据中心申请并签署数据使用协议（https://www.nbdc-datahub.org/），不能直接下载；未见代码公开。复现需获批数据权限、掌握Python（Statsmodels等）并在受控环境运行；SMAQ/VGAQ等量表条目在ABCD数据字典中可查。

为什么有意思人们常说“抑郁是因为看不到未来”，但数据显示，更稳定的信号其实是对过去的反刍和后悔（Past-Negative，r≈.41–.44），而不是缺乏对未来的积极期待（抑郁中Future-Positive只有r≈−.14）。它还显示出各类问题的“时间画像”不同：成瘾和冲动偏向“活在当下享乐”，抑郁偏向“沉在过去、觉得命运已定”。这与日常里“想太多过去”的体验呼应，也提示改善情绪不只是“往前看”。

属于哪个分支与学科脉络属于临床心理学与精神病理学，兼具人格心理学色彩。它顺着“跨诊断”思路——HiTOP和RDoC都想绕开DSM的类别边界——把时间观当作一种共同的心理过程来检验，同时尝试连接现象学精神病理学（Fuchs、Stanghellini对“体验到的时间”的描述）和问卷研究。这篇是整合和延续型的元分析，不是开创性实验；它把过去20多年的ZTPI相关性文献汇总起来，给出可对比的效应量地图。

对想学心理学的人这篇展示了系统综述与元分析的完整流程：预注册、双人独立筛选、评分者一致性、效应量转换、三层模型处理“一篇论文多个效应量”的依赖性、发表偏倚检验。学这个方向需要会R（metafor、clubSandwich）、理解相关系数和异质性，并有批判性阅读问卷研究的能力。就业上，这类技能可通向临床研究、公共卫生循证评价和数据分析岗位；但时间观本身是小众主题，更适合作为理解“跨诊断”思路的案例。

背景 时间观（time perspective）指一个人习惯性地如何看待过去、现在和未来，常用津巴多时间观问卷（ZTPI）测量。此前的元分析大多只看“未来导向”，或把各种结果混在一起，没有分维度、分疾病地比较。“跨诊断”指某种心理过程不局限于某一种诊断，而是在多种心理问题中共同出现；作者想检验时间观是否算得上这样的过程。

方法 作者按PRISMA指南做系统综述，并在PROSPERO预注册（论文称无实质偏离）。检索PubMed、MEDLINE、EMBASE、PsycINFO、Web of Science，时间跨度1990年至2025年3月，两到三名评审者独立筛选和提取数据，评分者一致性良好（κ=.77–.91）。最终纳入191篇论文、232项研究、1,718个效应量（皮尔逊r），总样本105,673人，平均年龄22.86岁，女性57.9%。分析用三层随机效应模型加稳健方差估计（RVE），按疾病类别（内化症状、成瘾、外化症状、PTSD症状、神经质、冲动性）和时间观维度分别做了50个元分析。另做了离群值剔除、PET-PEESE和Vevea-Woods发表偏倚检验、元回归、亚类分析以及多重插补敏感性分析。测量的是症状严重程度，而非正式诊断。

• 内化症状（抑郁、焦虑等）与Past-Negative相关最强之一（r=.406，k=60），与Future-Negative为r=.520（k=6，样本少），与Present-Fatalistic为r=.221，与Past-Positive为r=−.189，与Future-Positive仅r=−.103（p.30–31）
• 成瘾与Present-Hedonistic（r=.231，k=47）、Past-Negative（r=.170）、Present-Fatalistic（r=.158）正相关，与Future-Positive负相关（r=−.175，k=51）（p.32）
• 外化症状与Present-Fatalistic（r=.299）、Past-Negative（r=.294）、Future-Positive（r=−.241）相关，但k只有6–9（p.33）
• 冲动性与Present-Hedonistic（r=.350）和Future-Positive（r=−.314）关系最强；神经质与Past-Negative关系最强（r=.431，k=13）（p.35–36）
• PTSD与Past-Negative（r=.325）和Present-Fatalistic（r=.229）相关；Present-Hedonistic（r=.147）在Vevea-Woods严重选择假设下反转为b=−.043，Future-Positive在PTSD中仅r=−.063，不够稳健（p.34–35）
• 大多数模型的I²超过75%，异质性很大，剔除离群值后降到约50%（p.37）

相对Kooij（只看未来）、Baird（把结局混成“自我调节”）和Stolarski 2024（21篇叙述性综述、未预注册）这些前作，本文的新意在于把ZTPI的全部维度和多个疾病大类放在同一个定量框架里比较，并且做了系统的发表偏倚敏感性分析。“Past-Negative和Present-Fatalistic是最跨诊断的”这一结论有信息量，但这一总体方向与已有叙述性综述和临床直觉一致。严格来说这是对既有相关性文献的整合，而不是新机制发现。

优点：预注册、双人筛选与提取、数据与代码开放、多种发表偏倚检验、样本大（约10.6万人），可信度高于一般叙述性综述。局限：(1) 158/232项研究是横断面，只能说“相关”，不能说时间观导致心理问题，也可能是抑郁让人更消极地回顾过去；(2) 测量全是自评症状量表而非临床诊断，样本主要是平均22.9岁的大学生和社区人群，WEIRD倾向明显，所谓“跨疾病”其实是症状严重度的连续维度；(3) 异质性极高（多数I²>75%），剔除离群值才降到约50%，说明平均效应概括性有限；(4) 一些亮眼结果k很小（Future-Negative k=3–6、df<4、外化症状k=6–9），不应过度解读；(5) 效应量多为小到中等，Future-Positive与多数疾病只有r≈−.06到−.19，所谓“高度跨诊断”不等于“强预测”；(6) 发表偏倚检验显示部分结果不稳健（PTSD的Present-Hedonistic、抑郁的Past-Positive在严重选择假设下消失），且PET与PEESE常给出不同结论；(7) 不同疾病之间效应量差异的比较是在汇总估计层面做的，没有直接检验疾病×时间观交互，“独特画像”的推断相对较弱；(8) 仅限英文全文，作者自己也列出若干无法获取全文的论文。另外，这是尚未同行评议的预印本。

✅ 官方资源 · https://osf.io/ge3sk/?view_only=0674743904fc4efbaa364f5fc7fc642d
作者声明全部数据、分析代码和研究材料（含全部效应量表、森林图、漏斗图、质量评估表、插补结果等补充材料S1–S15）放在OSF，目前链接是匿名只读（view-only）形式；PROSPERO注册号和协议预印本在文本中被屏蔽。可据此复现元分析，所需技能为R和元分析基础。PDF只提供了前40页，我没有核对OSF内容。

为什么有意思我们常说“某人不信任社会”，但这篇显示信任是分对象的：同一个人可能信任家人和医生，却不信任警察，或者反过来偏爱警察军队而不信任政府。潜在剖面里出现了“偏公民机构”与“偏安保机构”两类人，这很像日常里人们因政治立场而对不同机构态度截然相反的直觉。此外，各类人对家人、科学都相对正面，对帮派一致负面，提示“信任危机”可能并非全面崩塌。

属于哪个分支与学科脉络这属于社会心理与心理测量学的交叉，同时借用社会学的微观—宏观分析。近年的方向是把信任、合法性、凝聚力等原本分科研究的概念整合起来，并在纵向队列中追踪它们对心理健康与暴力的影响。这篇处在“开创工具”的位置：不是检验某个假设，而是搭建测量基础设施（计划嵌入 Pelotas 出生队列），所以结论是初步的，价值要等后续纵向研究兑现。

对想学心理学的人它展示了一份量表是怎么“做出来”的：文献综述→专家评议→焦点小组→在线试测→聚合效度→探索性分类，每步都有具体数字和取舍（比如 11–14 岁孩子听不懂“科学家”“武装部队”，这些题就被删掉）。需要的技能包括问卷设计与跨文化改编、相关分析与潜在剖面分析（Stata/R）、样本量与功效计算。这类心理测量与流行病学交叉的工作在公共卫生和队列研究机构里有需求，但也比较偏方法、成果不容易引人注目。

背景 信任、合法性、社会凝聚力等“对社会的看法”过去通常被分开研究，而且往往只针对单一对象（如只问对警察的信任），因此人们不清楚这些看法如何组合成一个人对“社会世界”的整体内在模型。作者想用一个“看法类型 × 对象”的矩阵一次性测量它们，为连接宏观社会条件与个体行为提供工具。

方法 开发分三步：文献综述得出信任、价值观、能力、社会凝聚力四大类，再让 16 位专家（7 位国际、9 位巴西）审阅，之后在巴西 Pelotas 做 3 场焦点小组（共 20 人，按 11–14、15–18、19–59 岁分组），修订出最终版。随后在全巴西做在线问卷试测，共 784 人（197/210/377），采用年龄分层的方便抽样和滚雪球抽样，并以抽奖鼓励参与。用 Spearman 相关检验与 15 个已有量表的聚合效度，用潜在剖面分析（LPA，一种按作答模式把人自动分成几类的方法）对全部题目分类，并用 Fisher 精确检验比较各类人的人口学特征。研究未预注册。

• 样本 784 人：11–14 岁 197 人、15–18 岁 210 人、19–59 岁 377 人；白人占 71.5%–85.3%，成人中 56.8% 大学毕业，成人女性占 62.1%（p.13-14）
• 62 个检验的相关均显著（p<0.001）；成人中信任/归属与友谊量表相关强（rho=0.61、0.60），警察公平与警察合法性量表 rho=0.51，政府有效性与失范量表 rho=-0.53（p.14-15）
• 合法性（legitimacy）的聚合效度弱：警察合法性与两个既有量表仅 rho=0.28 和 0.23；安全感为中等（邻里安全与社区感 rho=0.39）（p.15）
• 题目冗余少：rho≥0.80 的相关仅 3/1,485（成人）、5/1,540（15–18 岁）、1/595（11–14 岁）；合法性与其他维度的关联因对象而异（家人 0.29–0.36，军队 0.41–0.48）（p.17）
• LPA 在三个年龄组均选出 4 类：整体负面、整体正面、“公民机构偏好”（政府/卫生/教育/邻里高，警察军队低）和“安保机构偏好”（相反）；成人中整体负面组男性占 55.6% vs 29.8%（p=0.006），最低教育 36.1% vs 11.3%（p=0.002），最低收入 38.9% vs 20.0%（p=0.031）；青少年组无明显关联（p.20-21）

真正的新意在于把“看法类型”和“看法对象”做成同一张矩阵同时测量，并在同一批人身上看二者如何交织，这是此前分散在犯罪学、政治学、社会学中的单维度研究较少做的。“社会世界模型”这一概念框架大体是对依恋内部工作模型与科尔曼“船”模型的整合，理论上较有野心但偏综合而非全新。实证部分是初步的心理测量学验证，结论（如四类剖面）属探索性。

主要问题在样本：全是方便抽样加滚雪球，通过 WhatsApp、Instagram 在线招募，白人比例高、成人大学毕业占 56.8%、11–14 岁组高收入偏多，对巴西总体代表性有限，且排除了网络接入差的人。人口学关联（如负面组与低教育/低收入）只做了未调整的 Fisher 检验，成人负面组仅数十人，且在未调整 p 值下做了多重比较，p=0.031 之类结果不稳；非白人差异 p=0.072 不显著；两个年轻组无关联。研究未预注册，4 类剖面选择部分依赖“可解释性”，缺乏重复验证，剖面是否稳定未知。聚合效度“62 个均显著”意义不大（样本大时相关易显著），应看效应量：合法性仅 0.23–0.28，其余多为中等。参考量表并非全部匹配、有的本身信度差，所以较难区分是新量表还是旧量表的问题；也没有报告重测信度、因子结构或跨年龄测量不变性。数据未开放。无利益冲突申报问题，但文本只给了前 40 页，补充材料不全。

⏳ 承诺公开未公开
数据声明称试测数据在论文发表后“可应需提供”（upon reasonable request），尚未公开；未发现 OSF 数据/代码链接，也没有预注册。问卷各版本与题目似乎收录在补充材料表 S2–S12 中（仅看到 11–14 岁版部分条目），若需复现，要自行用这些题目并向作者索取数据。

对患者家庭意味着什么这项研究没有测试任何药或疗法，不会直接改变老人的治疗。它的意义在于让家属知道：管药时觉得“不知道该问谁、信息不清楚”是很常见的，并不是你一个人做得不好。对一位86岁、已确诊的老人，现实的做法是主动把用药信息问清楚、整理好。

证据等级与距离落地这是观察性的混合方法研究（问卷加访谈式追问），不是随机对照试验，样本仅13位家属，来自加拿大安大略省，结论不能推广到所有家庭。它没有评估任何干预的效果，也没有药物审批问题。摘要只呼吁开发“随痴呆进程变化的家属支持资源”，距离形成可用的工具还需要后续研究。

照护上可借鉴的做法以下是可以尝试的思路，但涉及用药调整一定要先与主治医生或药师讨论：1）把老人正在用的所有药物列成一张清单（药名、剂量、用途、时间、谁开的），就诊时带上；2）每次就诊时问医生或药师：这个药是干什么的、可能有什么副作用、出现什么情况要联系谁、将来什么时候可以考虑减量或停药；3）请药师做一次全面用药回顾；4）老人病情变化（比如吞咽困难、吃药抗拒）时，及时告诉医生，不要自行掰药或磨碎药物，需先咨询。

背景 痴呆患者往往需要家属代为管理药物，这项工作复杂且责任重大，但现有的支持常常不够用。本研究想了解家属在管药中的真实经历，以及他们希望得到什么样的资源。

方法 研究采用混合方法，纳入安大略省13位照护痴呆患者的家属。量化部分用 Family Caregiver Medication Administration Hassles Scale (FCMAHS) 评估用药管理的“麻烦/负担”程度，并用非参数检验做描述性分析。每个量表条目后嵌入开放式追问，请家属讲述具体经历，质性部分用内容分析法。两类数据在同一时间收集并整合（concurrent embedded design）。

• 家属在“信息分享与信息寻求”子量表上感到的麻烦最高（摘要）
• 在“多重用药（Polypharmacy）”子量表上感到的麻烦最低（摘要）
• 质性分析归纳出三类主题：用药信息与教育资源、用药管理的实际操作、医疗人员支持与系统性障碍（摘要）
• 摘要称家属的经历因个人情况、痴呆进展阶段和可得支持而不同（摘要）
• 样本为13位安大略省家属（摘要）

“家属照护者管药负担”本身并不新，新的是用专门的 FCMAHS 量表配合逐条追问，把数字和故事放在一起看。但样本仅13人、限于一个省，更像是探索性的初步研究，不是能下定论的新发现。“最大困难在信息而不是药物数量”这一点对家属有提示意义，但还需更大样本验证。

样本仅13人，且仅来自安大略省，很可能是愿意参与研究的家属，代表性有限；摘要没有报告被照护者的年龄、痴呆阶段、家属与患者关系等信息，也没有具体数值，所以无法判断各子量表差异是否有意义，13人下的非参数检验统计效力也很低。研究是横断面、自述性质，没有随访，也没有测试任何干预的效果。资助方和利益冲突在摘要中未提及。因为只有摘要，全文细节不能推断。总体适合作为“家属常见困难”的参考，不能当作强证据。

❌ 无公开资源 · https://europepmc.org/article/MED/42897099
Europe PMC 显示非开放获取，只能看到摘要，未见公开的数据、代码或工具。FCMAHS 量表是已有量表，但本摘要未提供获取方式；未见临床试验注册号（观察性研究，通常无需）。

对患者家庭意味着什么这项研究不是关于治疗阿尔兹海默症，而是提醒我们：高龄、多病的老人在病情突然加重、跌倒、住院、搬家或换照护者时，心理上会面临危机。摘要中痴呆在高龄组更常见，但没有说明痴呆本身会让风险升多少，不能据此推断自家老人的个人风险。绝大多数老人不会出现这种情况，家属不必恐慌，但在这些“转折点”多留意情绪、言语和独处时间是有意义的。

证据等级与距离落地证据等级：观察性、回顾性的死亡记录分析（美国NVDRS，2022-2023年，11,796例），没有对照组，也不是干预试验，只能说明“哪些情境常见”，不能证明因果或预测个体风险。摘要提出的建议（医务人员评估自杀风险、联合健康服务与适龄照护支持的协作式安全计划）是方向性建议，摘要里没有给出验证效果的数据。这些做法现在就可以与医生沟通，但不属于新药或新技术，不存在“上市时间”问题。

照护上可借鉴的做法1) 在老人确诊新病、疼痛加重、跌倒、出院或换养老机构/换照护者后的前几周，多留心其是否说“拖累大家”“不想活了”“没意思”等话，出现时认真对待并及时告知医生。2) 尊重老人的意愿，让其在日常小事（穿什么、吃什么、何时活动）上保留选择权，减少“被安排”的感觉。3) 与医生讨论疼痛是否得到充分处理，以及是否需要情绪评估；任何药物调整都需与主治医生讨论。4) 咨询医生或社工，家中是否需要做安全措施（如妥善保管药物、尖锐物品和枪支）。5) 如老人表达自杀想法或家属感到紧迫，应立即联系医生或当地急救/心理援助热线。

背景 自杀常被视为年轻人的问题，但高龄人群中严重疾病、疼痛和失能同样是重要的诱因。此前已知身体疾病与老年自杀相关，但中年晚期与老年期之间的疾病类型和背景差异并不清楚。本研究想弄清随年龄增长，哪些疾病和生活情境最常出现在自杀之前。

方法 研究使用美国2022-2023年全国暴力死亡报告系统（NVDRS）的受限访问数据，纳入50岁及以上、以身体健康问题为诱因的自杀死亡者（N = 11,796）。对被认定存在“身体健康危机”的个案，进一步审阅验尸官/法医及执法部门的叙述文字。比较50-64岁、65-74岁、75-84岁、≥85岁各组在疾病类型和背景情境上的差异。这是对已死亡者记录的回顾性描述分析，摘要中未说明具体统计模型。

• 身体健康危机在自杀者中的占比随年龄上升：50-64岁为3.7%，65-74岁为8.5%，75-84岁为12.3%，≥85岁为12.8%（摘要）
• 晚期/绝症和疼痛是与“身体健康危机”状态相关的主要健康因素（摘要）
• 年龄越大，疼痛被提及的频率越低；而功能受限、心脏病、跌倒和痴呆在高龄组中总体更常见（摘要）
• 叙述文字显示：中年晚期的危机更多涉及职业和经济后果；老年期更多涉及自主权受威胁、依赖、觉得自己是负担以及照护安排的转换（摘要）
• 分析样本为2022-2023年NVDRS数据中以身体健康问题为诱因的50岁以上自杀者，共11,796人（摘要）

本身的发现（疾病与自杀相关）并不新，新的是把中年晚期与老年期分开，并结合验尸和警方叙述文字，描绘出高龄组特有的“自主权丧失、成为负担、照护转换”情境。但仅凭摘要看，它是描述性研究，没有因果推断，也没有说明如何验证干预有效，创新性中等。痴呆被列为高龄组更常见的因素，这点与本线读者相关，但摘要没有给出具体数字。

仅依据摘要判断：样本量大（11,796例），但全部是已发生自杀的死亡个案，缺少未自杀的同龄患病老人作对照，因此无法计算某种疾病或情境带来的实际风险。叙述文字来自验尸官和警方记录，可能遗漏老人的内心想法，如“负担感”是记录者的解读。摘要中的百分比是“占该年龄组自杀者的比例”，不等于该年龄人群中的自杀发生率，不应误读为高龄更危险。≥85岁组与75-84岁组差别很小（12.3% vs 12.8%）。痴呆的具体比例、是否做了统计检验、资助方和利益冲突，摘要均未提及。数据来自美国，对中国家庭的适用性有限。

❌ 无公开资源
Europe PMC未显示开放获取，仅有摘要。NVDRS受限访问数据需向美国CDC申请，普通家属无法直接使用；摘要中未提供照护工具或指南。

对患者家庭意味着什么这项研究不涉及患者本人的治疗，对86岁患者的病情没有直接帮助。它对家属更有意义：照护者的心理状态与“感觉多重”关系更大，而不只是做了多少事。这提示家属如果感到压垮、情绪低落或担心自己也会得病，应当重视并求助，这不是“不够坚强”。

证据等级与距离落地属于观察性横断面调查，仅83人，非随机对照试验，只能说明“相关”，不能证明因果；也不能证明降低担忧就能改善抑郁。研究尚未检验任何干预措施，距离形成可推广的照护者干预方案还有较远距离。结论仅限东亚裔美国老年照护者，是否适用于其他地区需谨慎。

照护上可借鉴的做法可以尝试的做法：一是留意自己的“主观感受”，如持续情绪低落、睡不好、总担心自己会得病，及时和家庭医生或心理咨询师谈；二是争取家人分担、使用社区喜讪服务（日间照护、喜讪照护等）和照护者支持小组，因为社会支持是研究校正的因素之一；三是对“自己会不会也得病”的担忧，可向医生了解真实风险，避免过度恐惧。若需要抗抑郁或助眠药物，需与主治医生讨论，不要自行用药。

背景 照护痴呆患者的家属常出现抑郁、焦虑，也可能自觉记忆变差。以往研究多以白人照护者为主，东亚裔移民照护者研究很少。本研究想知道：是照护任务的多少，还是照护者对负担的主观感受，与心理健康关系更大；以及对自己患AD/ADRD的担忧是否起作用。

方法 横断面问卷调查，通过社区组织和照护者网络招募了83位美国老年东亚裔非正式（家属）照护者，照护对象为AD/ADRD患者。测量主观负担（感受到的压力）、客观照护需求（任务频率与强度）、抑郁症状和主观认知下降（自评记忆变差）。采用多元线性回归，校正年龄、性别、公民身份、收入、社会支持，并用“两步系数比较”探索对AD/ADRD担忧的间接作用。（仅摘要，细节未知）

• 主观负担越重，抑郁症状越多、主观认知下降越明显（摘要）
• 客观照护需求与抑郁症状、主观认知下降均无显著关联（摘要）
• 对AD/ADRD的担忧与主观负担呈正相关（摘要）
• 加入对AD/ADRD的担忧后，主观负担与抑郁症状的关联减弱；对主观认知下降的关联减弱幅度较小（摘要）
• 样本量为83人（摘要）

新意主要在人群：关注研究稀少的东亚裔移民老年照护者，并把“对自己患病的担忧”引入压力-应对框架。但“主观负担比客观任务量更关键”在以往照护者研究中已有类似结论，方法（横断面、两步系数比较）也较粗糙，因此属于对特定人群的补充，而非突破。

证据有限：样本仅83人，横断面设计无法判断因果方向（可能是抑郁的人更觉得负担重）；抑郁与“主观认知下降”均为自评，未用客观认知测试，主观认知下降也可能是抑郁的表现。“两步系数比较”不是严格的中介分析，对间接作用的结论较弱。招募通过社区组织，可能有选择偏倚，难以代表所有东亚裔照护者。摘要未交代资助方、利益冲突、具体效应大小，因此无法评估临床意义。无干预，不能据此推出“降低担忧能改善心理健康”。

❌ 无公开资源
Europe PMC显示非开放获取，仅见摘要；摘要未提及数据或代码公开，也无临床试验注册号或可直接使用的照护工具。

对患者家庭意味着什么对已确诊的86岁老人，这项研究目前没有直接的实际用处：诊断已经明确，且这类检测不能判断病情好转或坏转。它的潜在价值在于未来可能让老人少跑医院、少受抽血之苦，由家属在家采样监测。但现阶段最关键的pTau217指标在这种采血方式下并不准，不能用来在家自测。

证据等级与距离落地这是单中心观察性诊断准确性研究，非随机、便利样本，192人中确诊AD仅25人，且平均年龄61岁，高龄人群占比有限（多数AD患者为68岁左右）。无药物试验，只是检测方法评估。毛细血管pTau217尚无参考范围和验证，要用于临床还需要重新优化检测方法和界值，作者也承认需要在更大、有生物标志物确认的队列和居家环境中验证，估计距离常规应用还有数年。

照护上可借鉴的做法目前无需购买或尝试任何家用采血设备来查AD指标。如果老人怕抽血、血管难找，可以向主治医生询问是否有创伤更小的采血方式或是否确有必要复查（任何检测安排需与主治医生讨论）。研究中毛细血管采血疼痛评分很低（Tasso+约0.2/10），说明未来对不耐受静脉穿刺的老人可能更友好；若家人参加临床研究，可留意是否采用居家采血并了解其验证情况。

背景 阿尔兹海默病的血液检测正在兴起，但需要抽血、去医院、专业人员处理，限制了普及。无痛、可在家自采的毛细血管采血设备（TAPII、Tasso+）如果可靠，可方便筛查和监测，但此前缺少同行评议研究评估这两种设备用于AD标志物。

方法 美国约翰霍普金斯大学单中心研究，纳入192名接受腰穿的患者（平均61岁，范围16–91岁），包括正常压力脑积水、AD（n=25）、血管性痴呆、正常对照及其他神经疾病。同一人一臂抽静脉血、另一臂用TAPII（n=86）或Tasso+（n=126）采毛细血管血，同时取脑脊液。用Simoa HD-X检测Aβ42/40、pTau217、NfL、GFAP，比较相关性、Bland–Altman一致性、Passing–Bablok回归、年龄校正后的AUC和Lasso回归，并记录疼痛（0–10分）和溶血。设备非随机分配，为便利样本，在监督的临床环境下采集。

• 毛细血管与静脉血的相关性：NfL（TAPII r=0.86，Tasso+ r=0.91）、GFAP（0.84/0.80）、Aβ42/40（0.74/0.75）均较强；而pTau217仅Tasso+ r=0.23（p=0.04），TAPII无显著相关（p=0.12）（结果3.3节）
• 毛细血管pTau217系统性偏高：TAPII约比静脉高7 pg/mL，Tasso+约高3 pg/mL；文中称TAPII约为静脉的30倍、Tasso+约10倍，超过95%的毛细血管样本（包括对照组）高于0.42 pg/mL的阳性界值（结果3.5、讨论）
• 静脉pTau217单项区分AD的AUC最高，为0.88（95%CI 0.82–0.94）；毛细血管与静脉的AUC差异无统计学意义（结果3.8）
• Lasso模型中只有年龄+GFAP稳定入选，AUC：Tasso+ 0.87、静脉0.83、TAPII 0.75（结果3.8）
• 疼痛评分（0–10）：静脉2.24，TAPII 0.73，Tasso+ 0.2；采血成功率（>50 μL）Tasso+ 90.3%、TAPII 86%；TAPII溶血评分更高（2.08/4 对 1.37/4）（结果3.2、3.9）
• 毛细血管Aβ42/40与pTau217与脑脊液无显著相关，NfL、GFAP中等相关（r≈0.6–0.74）；静脉Aβ42/40与脑脊液也不相关（结果3.7）

这是较早直接对比两种已获FDA许可的毛细血管设备、静脉血和脑脊液检测AD标志物的研究，结论上的新意主要在于“负面发现”：目前最有诊断价值的pTau217在毛细血管样本中不可靠，不能直接套用静脉血的界值。其余结论（NfL、GFAP可行）更多是对已有干血斑研究的补充。GFAP+年龄的“筛查”说法证据较薄。

局限明显：AD病例仅25例，pTau217相关结论依赖少量配对样本；设备非随机分配，TAPII与Tasso+人群不同；检测为单次测量（singlicate）；队列年龄跨度大（16–91岁），对照组中正常压力脑积水、年轻对照平均年龄仅40多岁，与AD组年龄差异大，GFAP+年龄模型的AUC可能部分由年龄驱动。pTau217偏高的原因（皮肤神经组织释放、溶血、基质效应）仅为推测。AUC用相关性而非阳性界值评价，且作者称“Tasso+优于静脉”的差异无统计学意义，不宜过度解读。AD诊断基于临床标准而非淀粉样蛋白PET/脑脊液确认。结局指标（相关性）并非临床获益。资助来自NIA和基金会，一位作者获得Fujirebio研究支持，无明显影响结论的利益冲突。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13674320
论文为开放获取全文；原始数据“可向通讯作者索取”，未公开仓库，也无代码或临床试验注册号。未涉及可供家属使用的照护指南或工具。

对患者家庭意味着什么对一位86岁、已确诊的患者，这项研究几乎没有直接实际意义。研究对象是50岁以上、三次调查都完整回答的人群，健康老龄化指的是认知与功能保持良好，而不是疾病治疗，也不涉及已确诊的阿尔兹海默症患者。它更适合家属自己（以及下一代）参考：多活动、多社交对长期健康有益。不要据此认为患者的病情是因为过去社交或运动不够。

证据等级与距离落地属于观察性研究（二手调查数据的纵向分析），不是随机对照试验，不能证明因果。样本9,748人，随访约10年，但仅保留三次数据都完整的人（从17,938人中排除8,029人缺失数据），很可能更健康、更愿意配合。没有药物或干预测试，也没有针对痴呆患者的结果。已确诊高龄患者无法直接套用。

照护上可借鉴的做法可以借鉴的是方向性的思路：在患者能力允许的范围内，安排每天固定的轻度活动（如散步、家务协助、伸展），并保持与家人、邻居、社区活动的接触，比如陪同参加老年活动、宗教或兴趣小组。具体运动强度和种类要结合患者的心肺情况、跌倒风险和行动能力，建议先与主治医生或康复治疗师商量。本研究并没有证明这些做法对已确诊患者有效。

背景 健康老龄化（保持认知、自理能力和身体功能）受教育、收入、社会参与和生活习惯等多种因素影响，但这些因素如何随时间相互作用、通过什么途径起作用，纵向研究较少。作者想用美国全国性调查数据，检验社会经济地位、社会参与和行为（运动、吸烟、BMI）如何共同影响十年后的健康老龄化。

方法 使用美国健康与退休研究（HRS）2006、2010、2016三个调查波次的数据，最终纳入9,748名50岁以上、三次数据完整的参与者（2006年平均年龄约68.7岁）。健康老龄化定义为同时满足三项：认知得分≥12/27、日常生活活动（ADL/IADL）无困难、身体功能困难≤1项。社会参与定义为同时满足三条：有带薪工作、认为社区安全、做过志愿者。用结构方程模型（Mplus）检验2006年的社会经济地位和社会参与，通过2010年的体力活动、吸烟、BMI，对2016年健康老龄化的直接和间接关联，并调整了年龄、性别、种族、婚姻、教育及早期健康状态。

• 2006年的社会参与与2016年健康老龄化呈正向关联（标准化估计值0.09，95% CI 0.08–0.11，p<0.001）（结果部分，表2）
• 2010年体力活动与2016年健康老龄化关联明显（估计值0.31，95% CI 0.29–0.33）；吸烟（0.00）和BMI（−0.03）无显著关联（表2）
• 社会参与与体力活动关联很强（估计值0.84），社会经济地位与体力活动关联很弱（0.02）；社会经济地位本身与健康老龄化无直接显著关联（0.03，NS）（表2）
• 达到健康老龄化的比例：2006年38.09%，2010年37.14%，2016年37.08%；社会参与率87.57%（结果部分，表1）
• 模型拟合勉强可接受（RMSEA 0.08，CFI 0.92，TLI 0.90）；样本从17,938人经缺失数据排除后得到9,748人（图1、表2）

创新性有限。社会参与、运动与健康老龄化相关早有大量研究，本文的新意主要是用三波HRS数据和结构方程模型把路径串起来。但「社会参与」的定义（必须同时有工作、觉得社区安全、做志愿者）很特别，更像是一个健康、富裕、活跃人群的标志，并不是通常意义上的社交活动，因此结论的新颖性和解释力都打折扣。

主要问题：（1）观察性研究，因果无法确定，更可能存在反向因果：本来就健康的人更能工作、做志愿者、运动。虽然调整了2006和2010年的健康状态，仍不能排除。（2）「社会参与」要求同时有带薪工作、认为社区安全和做志愿者，把多个概念混在一起，又只二分法，且87.57%的人被归为参与，区分度和含义都存疑；表2中该变量与体力活动的关联高达0.84，提示测量或模型设定可能有问题。（3）表2中多个估计值（如SES与吸烟0.97、SES与BMI 0.98、年龄与SES 0.98）近乎1，很不合常理，可能是编码或模型错误；吸烟与SES的「更高SES更多吸烟」的结果也与既往研究相反，作者的解释偏牵强。（4）只纳入三次数据完整者，存在幸存者偏倚，且排除了近半数人；结局是二分的「健康/不健康」，把多个阈值叠加，健康老龄化比例几乎不变（约37%）。（5）体力活动、BMI均为自我报告。（6）文本数字有不一致（如2006年年龄标准差10.52与10.93；图1中9,009/9,748的描述）。（7）模型拟合仅处于可接受下限。（8）未见资助或利益冲突信息。总体上，结论「社会参与和体力活动与更好老龄化相关」方向合理，但效应大小不可靠，对阿尔兹海默症患者无外推价值。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13661375
论文在Europe PMC开放获取，可免费阅读全文。数据来自公开申请的美国HRS调查（需向HRS注册获取），未提供作者自己的分析代码；文中未见临床试验注册号（观察性研究，不适用）；也没有可直接使用的照护指南或工具。