本栏目为每期一版的 AIGC 学术界 / 工业界前沿摘要。选题以人工筛选为主，每篇的分析要点由自动化流程生成，可能存在偏差或不准确之处，仅供参考。

模型 & 产品

本窗（8 月 8 至 12 日）没有厂商旗舰闭源模型配发布博客落地。寻源时扫到两份提交在窗内的模型技术报告，按 K-EXAONE 那一期的先例，把它们当作本窗的工业界动态收录——需说明这是 arXiv 技术报告，而非厂商发布页。

Motif 3（314B MoE 语言模型技术报告）

8 月 10 日提交的 Motif 3 技术报告，介绍一个新的稠密 MoE 语言模型（27 位作者，页面未标注机构）。

  • 规模 / 架构：总参 314B、每 token 激活 13.2B；每个稀疏 MoE 层 384 个 routed expert、每 token 选 8 个。核心注意力是 GDLA（Grouped Differential Latent Attention），把 grouped differential attention 与 MLA 的压缩 KV 表示结合；另有 modified manifold-constrained hyper-connections、Expert Specific PolyNorm 激活、多 token 预测。
  • 训练：约 12.5T tokens 预训练（网页 / STEM / 代码 / 数学 / 多语言 / 专业语料）；上下文长度到 256K（靠 MXFP8 计算、fused kernel、window-aware context parallelism）；后训练是 general SFT + 6 个 RL 专家教师 + 一个软件工程教师 + Multi-teacher On-Policy Distillation。
  • 定位：摘要称「与领先开源权重模型竞争力相当」，在长程 agentic 任务、数学推理、科学知识、抗幻觉评测上表现较强。
  • 局限：摘要未给具体基准分数，「competitive」的强弱要看全文；是否开源权重、许可条款均未明说。

Macaron-V1（开放 agent-model 家族技术报告）

8 月 10 日提交、署名 “Mind Lab”、75 位作者的 49 页技术报告（CC BY 4.0），当期社区热度很高（302 赞）。目标是「经验智能」——一个从真实环境经验里学、且部署后仍持续学习的 agent-model 家族，围绕两件事组织：适应（靠递归改进）与协作（靠模块化架构）。

  • 适应：对「带版本的 model-harness 对」做递归改进——某一版配置跑出的经验，在一份外部 contract 下被评估，再用来构造它的后继版本。
  • 协作：用 Mixture-of-LoRA（MoL） 架构——冻结 base 模型，组合多个专家 LoRA，每个用户轮次选一个 LoRA。旗舰有两款：Macaron-V1-Venti = 744B 的 GLM-5.2 base + 4 个 LoRA（chat / agent / coding / GenUI）；Macaron-V1-Tall = 50B（Qwen3.6 base），同款设计供本地部署。
  • 配套栈：UI4A GenUI harness、stateful action substrate、带版本的 HCP contract、agentic RL 框架 MindForge、后训练平台 MinT、长上下文 RL 方法 LongStraw，以及稀疏 MoE / DSA base 的稳定化技巧。
  • 评测 / 局限：在 Personal Intelligence、GenUI、通用能力基准上对比前沿基线，摘要无具体分数；作者自陈「验证了当前系统，但持续学习与集体智能的复利增益仍是 open question」；75 位作者统一挂 “Mind Lab”、无个人机构信息。

论文精选

每篇附 arxiv 链接，并给出「实用性 / 创新性」评分（满分 5）。本批预印本 v1 提交集中在 8 月 9 至 11 日（UTC），多数落在 8 月 10 日周一批次；定量结论以摘要口径为准，细节以全文为准。

本窗 harness 侧明显扎堆「自我改进 / 自演化」（Ouroboros、Evo-Bench，及上面 Macaron 的持续学习）——这只是本期取样，且 8 月上旬这条线本就热，不代表当周主线。世界模型与具身本窗无够格新作（SimWAM、Mendel Gödel Machine 均 8 月 7 日提交、落在窗外），故省略该子类。

LLM / Agent

BDH-CQ — 用递归潜在推理做 in-context learning

  • https://arxiv.org/abs/2608.09888 ｜ 实用性 3 ／ 创新性 5
  • 9 位作者（Björn Engdahl、Adrian Kosowski 等），代码关联 pathwaycom；cs.NE / cs.AI / cs.LG；8 月 10 日（+08:00）提交（273 赞）。

核心动机：让推理模型更好地「从示例里学」并应用推断出的变换，同时推进 ARC-AGI-1 的成本-精度权衡——现有做法要么精度靠堆算力、要么成本压不下来。

横向对比：BDH-CQ 把 in-context learning 与递归潜在推理捏在一起——推理时喂进来的输入持续更新模型的循环记忆，随后在高维潜空间里迭代计算求解，且「不把中间推理用语言吐出来」。在公开 ARC-AGI-1 评测集 + 一批受控的 ARC-like 干预上测：一个 150M 参数配置拿到 29.5% pass@2，单题推理成本约 $0.0007，作者称突破了此前 ARC-AGI-1 的成本-精度 Pareto 前沿、刷新成本效率 SOTA。

优点：在 150M 这种极小规模上把 ARC 的成本-精度推到新前沿，成本效率非常亮眼；循环记忆随输入更新，天然贴 in-context 适应；配套的受控干预帮着看清「模型到底学会了什么、哪些概念仍难」，不是只报一个分。 缺点：只在 ARC-AGI-1 及其变体上验证，向更一般的推理 / 长文本任务外推待证；29.5% pass@2 的绝对精度仍不高，重心是成本效率而非能力上限；「不 verbalize 中间推理」以牺牲可解释与可审计为代价；潜空间迭代计算的规模化行为与训练稳定性要看全文。

Not Worth Another Token — 给深研 agent 做「边际价值」剪枝

  • https://arxiv.org/abs/2608.08389 ｜ 实用性 5 ／ 创新性 3
  • 10 位作者，含 Franck Dernoncourt、Ryan A. Rossi、Nedim Lipka 等（Adobe 系）；cs.AI / cs.IR / cs.MA；8 月 9 日（+08:00）提交。

核心动机：长程研究 agent 靠反复检索-综合解开放任务，但上下文膨胀很快、新证据的边际价值递减——推高 token 成本、拉长延迟，还给最终报告生成引入噪声。

横向对比：作者用「边际价值估计」来管上下文，号称首个「跨流水线、分阶段」的剪枝策略系统比较：在 pre-retrieval、post-retrieval、pre-synthesis 三个点，分别测轻量启发式判据与一个学习到的 value model。核心结论是——剪在哪，比用什么打分更重要：早期剪枝端到端省得最多，后期剪枝主要精修综合上下文；轻量启发式最多砍 73% token 而质量几乎不掉，学习式剪枝在部分权衡上仍有竞争力。

优点：把「深研 agent token 太贵」这个现实痛点，落成一张「在哪剪、用什么剪」的可操作决策表；「位置 > 方法」「早剪省得多」是能直接抄进 harness 的工程结论；轻量启发式砍 73% 近乎无损，落地门槛极低；三阶段系统比较方法学干净。 缺点：作者自陈「没有一个方法在质量 / 效率 / 忠实度上通吃」，仍是权衡而非银弹；边际价值判据在不同任务域的稳健性待证；剪枝可能丢掉少数关键长尾证据，对高召回要求的任务有风险；学习式 value model 的训练成本与迁移性未展开。

Harness / 工程实践

Ouroboros — 会「自我开发」的前沿编码 agent

  • https://arxiv.org/abs/2608.08311 ｜ 实用性 4 ／ 创新性 4
  • 6 位作者（Anton Razzhigaev、Roman Yampolskiy 等）；cs.SE / cs.AI；8 月 8 日（+08:00）v1、8 月 11 日 v2 修订（70 赞）。v1 卡在与上期同日的边界，按 v2 计入本窗。

核心动机：造一个自我改进的 agent 框架，让它的工具、prompt、上下文组装乃至底层代码，都通过「审核过的提交」演化，且这些改动直接成为下一批任务的运行时。核心难点是运行安全——一个能改自己代码、能换模型 API 的 agent，作者强调「guardrail 必须在演化与公开社交压力下仍然权威」。

横向对比：core evolution 分两种模式——recursive free evolution（把「改进」本身当任务，跑完一轮可触发下一轮）与 experience-driven core evolution（日常干活与社交互动暴露 bug / 低效，触发审核过的结构性改动）。基准用冻结快照跑：Terminal-Bench 2.1 上 Opus 5 到 86.74%（作者称该基准已报告的最好成绩）；OSWorld-Verified 90.69%（超此前最好）；CL-Bench 五轮 campaign 归一化奖励 0.2301（称新 SOTA）。另有一个叫 “Hope” 的 161 天在线自由演化实验，跨 7 个交互面、在受管的人类沟通下运行——人类指出问题 / 提建议，但 agent 自己决定采纳哪些。

优点：把「自演化编码 agent」从概念推到有硬数、有长期在线实验的完整系统；「审核过的核心演化 + guardrail 权威性」正面回应了自改代码的安全焦虑，是这类工作里少见的工程严肃度；三项 SOTA 声明具体可查；161 天的 Hope 实验提供了罕见的长时程真实证据。 缺点：基准跑的是冻结快照、Hope 走的是另一条持续演化 lineage——「跑分的」和「在线演化的」不是同一系统，跑分不能直接代表在线版；SOTA 声明依赖 Opus 5 这一强底座，framework 自身贡献需拆分；「公开社交压力下 guardrail 仍权威」是强主张，长期安全性难在论文里证伪；自由演化的可复现性与算力成本存疑。

Stealing Reasoning Traces — 加密思维链跨会话 / 跨模型可互换的架构漏洞

  • https://arxiv.org/abs/2608.09867 ｜ 实用性 4 ／ 创新性 5
  • 8 位作者（Alexander Panfilov、Ilia Shumailov、Jonas Geiping、Maksym Andriushchenko 等）；cs.CR / cs.AI / cs.LG；8 月 10 日（+08:00）提交（57 赞）。

核心动机：LLM 厂商把模型思维链藏起来（保护 IP、减少泄漏），常见做法是不在服务端存 trace，而是把它当作「加密文本块」返回给客户端、每次请求再带回。作者发现一个架构缺陷：这些加密块「在同一厂商生态内，跨会话、跨用户、跨模型完全兼容且可互换」。

横向对比：据此造了个「可规模化的解密越狱」——把强模型的加密 trace 注进同厂商一个较弱、护栏更松的模型，逼它把 trace 逐字解成明文，无需直接越狱那个强模型。漏洞打开四条攻击面：① 反蒸馏绕过（在 Anthropic / OpenAI / Google 上都演示了提取专有推理）；② 私密数据提取（从公开仓库爬来的 315,320 个 reasoning block 里解出 367 条 PII、182 条凭据）；③ 危险信息泄漏（可见输出安全拒答、但推理里藏的危险内容被读出）；④ 隐形 prompt 注入（把恶意载荷塞进加密块，去污染公开的 agentic rollout）。作者按负责任披露流程提了密码学与系统层的缓解方案。

优点：指出的是一个此前被忽视的系统性架构面——「加密 trace 客户端往返 + 跨模型可互换」，而非某个 prompt 技巧，杀伤面广；四条攻击面各配实证（三家厂商、315,320 块、367 PII / 182 凭据），说服力强；对做 agent 平台、思维链缓存的工程团队是直接的威胁模型提醒；给了可落地的缓解方向。 缺点：攻击强依赖「同厂商生态内存在更弱、护栏更松的兄弟模型」这一前提，厂商侧改架构即可大幅收敛；PII / 凭据数字来自公开爬取语料，代表性受语料偏差影响；「污染 agentic rollout」的真实危害还要看下游系统是否照单全收 trace；披露后厂商多半已修，复现窗口有限。

Eval / 评测

SWE-Bench ProMax — 大规模多语言代码重构基准

  • https://arxiv.org/abs/2608.09802 ｜ 实用性 4 ／ 创新性 4
  • 15 位作者（Yuling Shi、Xiaodong Gu 等，含 Shing-Chi Cheung、Terry Yue Zhuo）；cs.CL / cs.SE；8 月 10 日（+08:00）提交（122 赞）；COLM 2026。

核心动机：现有编码 agent 基准趋于饱和、评测质量也受质疑。作者引用一项审计：SWE-bench Verified 未解实例里近 60% 的测试有缺陷（要么过窄、拒掉正确解，要么过宽、查了没写的需求），且模型能从训练数据复现 gold patch。而代码重构——「跨多文件、保持行为的协调改动」——更难、也更缺基准。

横向对比：他们做了一个专家精选的多语言重构基准：170 个实例，取自 7 种语言（Python / Java / TypeScript / Go / C / C++ / Rust）的真实 commit。多阶段策展——从零重写 issue 描述以给出精确规格、人工复核测试套件剔除过窄 / 过宽用例、滤掉低复杂度或缺跨文件的任务。规模上，平均每实例改 11.4 个文件、261.6 行，作者称显著超过既有基准；而最强前沿模型在两种 agent scaffold 下解决率只有 41.2%。

优点：直击「基准饱和 + 测试有缺陷」的评测信任危机，用「从零重写规格 + 人工复核测试」把评测质量做扎实；选「保持行为的跨文件重构」这个真难、被忽视的能力面，难度分布（11.4 文件 / 261.6 行）显著抬高；41.2% 的低分说明基准不饱和、有区分度；多语言覆盖 + COLM 2026 背书。 缺点：170 实例规模仍偏小，跨语言分布是否均衡、代表性看全文；「专家精选 + 人工重写」策展成本高，复现与扩展都难；只测重构这一种形态，结论未必迁到别的软工任务；「最强模型 41.2%」是当前快照，强模型迭代后的饱和速度未知。

Evo-Bench — LLM 能改进自己的 agent harness 吗？

  • https://arxiv.org/abs/2608.09096 ｜ 实用性 4 ／ 创新性 4
  • 9 位作者（Lisheng Huang 等，含 Wayne Xin Zhao）；cs.CL；8 月 10 日（+08:00）v1、8 月 11 日 v2（14 赞）。

核心动机：agent 通常只在「静态解题」上被评。作者盯的是一条新前沿——harness evolution，即 agent 自主优化自己运行 harness 的能力。测它难在：难把 harness 增益和底座能力剥开、难抗任务过拟合、也难覆盖长程迭代式研究。

横向对比：Evo-Bench 自称首个评「内在 harness 演化能力」的基准，横跨 Search / Office / General 三域；用「harness-guided construction」框架，靠辅助任务演化去找对框架改进敏感的任务，再用「sensitivity-aware 分层切分」支撑跨套件泛化。在 9 个前沿 + 开源模型上评：顶尖模型绝对增益最高 16.6 分、「逼近 SOTA 的人类工程 harness」；自主演化在 General 上超过人造 harness、在 Search 上尤其强，但在需要高度特定流程的 Office 任务上吃力；还观察到「早饱和」等时间异常；合成出的 harness 能当可迁移的推理结构、提升多种策略模型。

优点：把「让 LLM 改自己 harness」这件事立成可测能力，选题极贴 agent 工程现场、也呼应本栏目对 harness 的持续关注；「敏感任务筛选 + 分层切分」的构造直接对上「harness 增益 vs 底座能力」的剥离难题；跨 9 模型、三域给了区分度；「合成 harness 可迁移」是有工程价值的副产物。 缺点：三域里 Office 明显吃力，说明这项能力远不均衡、结论要分域看；「16.6 分增益」高度依赖种子 harness 与任务构造，可优化空间随之波动；「早饱和」等异常暗示评测信号不稳、需谨慎解读；harness 演化的评测本身昂贵，复现门槛不低。