今日概览
- 多轮agent RL崩溃的真凶可能不是credit assignment：T²PO用模型自身不确定性触发「thinking」和重采样，在WebShop/ALFWorld/Search QA上稳定性和表现都涨，ICML中稿。
- factuality的瓶颈是元认知，不是知识量——立场文指出模型仍然不知道自己不知道，校准过的不确定性才是Agent可靠性栈的隐形控制层。
- 医疗agent上岗判分卡：PhysicianBench把100个真实会诊搬进商用EHR环境，平均27次工具调用，最强agent pass@1只有46%、开源最高19%。
- 视频生成cache的pixel级修复：MotionCache用帧差给每个pixel分配去噪步数，SkyReels-V2拿到6.28倍加速、MAGI-1只有1.64倍，迁移效果高度依赖底层模型。
- 如果attention本质上是动态参数MLP：WeightFormer把attention数学上重写成参数动态预测的MLP，线性化架构的设计目标从「逼近softmax」变成「怎么动态预测好参数」。
重点关注
01 训练优化 多轮agent RL训练崩溃的真凶可能不是credit assignment
跑过multi-turn RL训练reasoning LLM的团队都熟悉那种崩溃曲线：奖励刚开始爬升，几百步后突然塌掉。常见解释是credit assignment不到位、轨迹过滤不够细，T²PO提出的诊断不一样：policy一直在生成「低信息动作」，既没减少模型自己的不确定性，也没从环境拿到有效信号，整轮rollout就是在原地打转。它的处理分两层：token级监控不确定性的边际变化，跌破阈值就触发一次「thinking」介入；turn级识别探索进展可忽略的交互，直接重采样掉。在WebShop、ALFWorld、Search QA三个环境上训练稳定性和最终表现都有提升，论文被ICML接收，有开源代码。需要看全文确认的是阈值怎么调、不同任务上的迁移性，但「用模型自身不确定性主动控制探索」这条路径，跟主流的credit assignment+trajectory filter是正交的。
原文：T²PO: Uncertainty-Guided Exploration Control for Stable Multi-Turn Agentic Reinforcement Learning
02 安全对齐 模型不是不会答，是不知道自己不该答
过去几年factuality的提升，主要靠让模型多记事实——把知识边界往外推。但作者指出一个被忽视的层次：模型仍然不知道自己不知道，所以即使在最简单的factoid QA上也照样自信地胡说。论文主张跳出「答还是不答」的二元选择，引入第三条路——让模型把语言上的不确定性和内在不确定性对齐，也就是metacognition（元认知）。对工具开发者来说，这一层在搭可靠性栈时很容易被越过去——通常加个RAG或者拒答阈值就交差了，但底下那个「模型自身的不确定性是否被忠实表达」才是真问题。需要注意的是这是立场文，作者承认这件事内在困难、也没给出落地方案，所以现阶段只是把问题命名清楚。
原文：Hallucinations Undermine Trust; Metacognition is a Way Forward
03 评测 医疗agent该不该上岗，这张判分卡比排行榜更值得看
之前的医疗agent benchmark大多停在静态知识题或单步操作——背medical QA、模拟一次开药决策——跟真实临床工作流的距离很远。PhysicianBench把100个真实会诊案例搬进电子病历（EHR）环境，用商用EHR厂商同款API做交互，平均每个任务要调27次工具，跨encounter拉数据、做决策、写病历，全流程有可验证的执行反馈。670个checkpoint按阶段打分，13个agent跑下来最强的pass@1只有46%，开源模型最多19%。差距不小，但更重要的是这个评测真的在测临床上岗能力，而不是医学考试分数。
原文：PhysicianBench: Evaluating LLM Agents in Real-World EHR Environments
04 推理加速 视频生成跳步加速的盲区在哪？
同一帧里，运动剧烈的物体边缘和近乎静止的背景被cache一视同仁——这是当前AR视频生成跳步加速的盲区。根源在于cache reuse停在chunk-level的粗粒度，把整段时间窗口当成一个整体决定要不要复用，对静态背景没事，对快速运动的物体就直接出现误差累积。MotionCache把粒度推到pixel级，用相邻帧差作为运动量的轻量代理，运动大的pixel多跑几步去噪、静止区域激进复用。在SkyReels-V2和MAGI-1上分别拿到6.28倍和1.64倍加速，VBench质量基本无损。两个模型差距这么大说明加速比高度依赖底层结构，迁移到其他AR视频模型需要重新评估。
原文：Motion-Aware Caching for Efficient Autoregressive Video Generation
05 模型架构 如果attention本质上是个动态参数MLP呢？
直觉上，attention的全局建模能力来自token之间的显式加权——这也是它必须O(N²)的根本原因。但WeightFormer给出了一个让人愣一下的数学重写：attention可以等价于一个参数被动态预测的MLP，所谓全局能力其实来自这些动态参数对全局上下文的压缩，而不是token-wise加权本身。从这个视角看，线性复杂度方案不必再围绕「如何逼近softmax attention」打转，可以直接去研究「怎么动态预测一个好的参数」。论文用视觉模型做了多种动态参数化策略的实验，证明这条路至少在中等尺度走得通。能不能扩到LLM尺度是另一回事，但这个重写本身已经足够打开新的设计空间。
原文：Linear-Time Global Visual Modeling without Explicit Attention
也值得关注
今日观察
今天有意思的不是某一篇，而是「long-horizon agent的可靠性」同时被四五个不同的层敲打。T²PO动训练稳定性那一层（多轮RL不崩）；Metacognition动模型自我意识那一层（不知道自己不知道）；PhysicianBench和AcademiClaw动任务定义那一层（去找现在解不了的真实长程任务）；Counting probe动最小可靠性测试那一层（连数数都数不稳）；Marginal Token Allocator动评估范式那一层（按token经济而不是文本生成评）。
每篇都在指认一个不同的失败位置，没有一篇在宣布突破。把它们拼到一起，浮现出来的隐含信号是：当下agent在真实长程任务上的不可靠不是单点问题，是分散在训练、自我认知、任务定义、最小测试、评估框架五个层面的共振。任何一层单独修都不够。
具体动作建议：如果你的团队正在做垂直Agent，挑一个最贴近自己业务的层先建监控——比如做医疗/法务这种长程tool-use场景，可以参考PhysicianBench把内部真实工作流的可验证执行链做成回归集；如果在跑多轮RL，把T²PO的「不确定性边际监控」加到训练日志里，比单看reward曲线更早能看出探索是否塌掉；如果在做evaluator，Counting probe这种最小可靠性测试值得加进CI而不是只跑大benchmark。