视频模型栽在组合编辑，MoE败在路由

重点关注

01 评测 风格迁移、加物体都会了，模型却在「同时改三处」上集体翻车

文生视频编辑模型在单点任务上已经够用：换个风格、塞个物体、改个颜色，效果都不差。但真实用户很少这么提需求——一句prompt往往要同时改主体、改动作、换机位，还得把无关的背景和时序原样保住。CoVEBench就是冲着这种组合工作流来的：416条源视频、626条多点编辑指令，拆成9990个细粒度checklist项，再用多模态大模型（MLLM）逐条判分，而不是用一个笼统的全局指标盖过去。结果不乐观——模型在处理多个操作时频繁漏掉某些编辑、违反「保持不变」的约束，或者直接引入画面瑕疵。更细看会发现失败有先后：当主体、动作、机位被要求一起改时，最先崩的往往是动作和机位这类需要跨帧一致性的编辑——换个静态物体相对容易，但要让一个新动作贯穿整段时序、同时镜头还在运动，模型常常顾不过来，要么动作只在几帧里成立，要么一改机位就把主体的连贯性带塌了。对做视频编辑产品的人来说，这个benchmark的价值不在分数排名，而在它把失败拆开了看：是顾此失彼（改了主体忘了动作），还是连带破坏（改一处却把背景也搅乱了）。这两类失败对产品选型的指导完全不同——顾此失彼说明模型的指令解析容量不够，可以靠拆解指令、分步编辑来缓解；连带破坏则是模型对「哪些区域该锁住」没有概念，属于更底层的能力缺口，加再多prompt工程也救不回来。选型时拿这把尺子去量，比看demo里挑好的单点效果靠谱得多。

原文：CoVEBench: Can Video Editing Models Handle Complex Instructions?

02 Agent 记忆该写什么，能不能交给模型自己学？

长时运行的agent靠「每次交互后更新一段memory」来积累经验，这套做法现在很常见，但写什么、怎么写基本都是手工设计的prompt规则——本质上是人替agent决定该记住什么。MemoPilot把这一步换成了可优化的策略：用多轮GRPO（一种强化学习方法）直接训练「记忆更新」这个动作，让一个冻结的LLM在不改权重的情况下越用越准——也就是说，记忆更新从手写规则变成了一条可训练的策略。值得注意的是，验证场景是石头剪刀布和限注德州扑克这两个对弈游戏，Elo分数确实领先（德扑1762、石头剪刀布1590，超过DeepSeek-V3.2），但游戏环境的反馈结构干净、目标明确，离真实agent任务还有距离，能不能迁移到搜索、coding这类长程任务需要看后续工作。

原文：From Player to Master: Enhancing Test-Time Learning of LLM Agents via Reinforcement Learning over Memory

03 模型架构 MoE的专家分工，败在路由这一步

MoE的路由器通常就是一层浅浅的线性投影，它做决定时其实并没有真正「看见」输入的结构，结果就是路由不稳定、专家分工形同虚设。STAR换了个角度：把路由重新表述成子空间学习问题，在原有可学习路由之外，加了一条用广义Hebbian算法(GHA)持续跟踪输入主结构的演化子空间，让路由决策直接对齐输入的主导方向。这样专家专精才有了稳定的依据。论文在合成数据、大规模语言和视觉任务上都报告了路由质量和下游性能的提升，另外可选的测试时子空间更新，在输入分布漂移时还能进一步增强鲁棒性。这篇的价值在于把问题定位点从expert容量挪到了router感知力——路由质量是专家分工的上游，值得训MoE的人记住。

原文：STAR: Rethinking MoE Routing as Structure-Aware Subspace Learning

04 安全对齐 给整条推理链的事实性上一个统计保证

控制大模型幻觉，现在大多靠经验调参——调温度、加提示、做后处理，但你说不清最后到底有多大把握。这篇换了个思路：把多步推理看成一张隐式的依赖图，每个中间结论对不对，结构上取决于它前面的结论，所以事实性的不确定性是顺着这张图传播的，而不是各步错误的简单相加。作者用conformal预测（一种能给出覆盖率保证的统计方法）在生成过程中实时算这张图的整体不确定性，到达阈值就停止往下推，从而给「这条推理链可信」上一个用户能指定的有效保证。和事后剪枝相比，边生成边校准的图在下游推理任务上准确率更高。对要把推理型LLM放进医疗、金融、法务这类高风险场景的人，意义在于它把幻觉控制从「调到看着还行」变成有覆盖率保证的推断——不过具体能省多少风险预算，还得看全文的实验细节和校准成本。

原文：Inference-Time Conformal Reasoning with Valid Factuality Control for Large Language Models