血统推理最强模型仅对27%

今日概览

想法有「基因组」，机器却接不上文献脉络：IdeaGene把科研想法当成继承机制、修补缺陷、重组前作的对象，IG-Bench上14个LLM科学家里最强的一个，血统推理完全正确率也只有27.3%，「接上文献脉络」和「生成N个idea」根本是两种能力。
免重训拉长上下文，几乎零开销：Jet-Long用双焦RoPE让短输入精确退回基座、长输入干净外推，H100上长上下文prefill跑到FA2的1.39倍吞吐，生成额外开销各长度都不超过4%。
主动出手，正在成为agent的独立评测维度：UniClawBench把「proactive」拆成5种可测能力，400个双语任务放进真实Docker容器，用三agent闭环、隐藏评分标准来分辨agent是读懂意图还是在猜规则。
借用扩散先验，专攻事件相机这种非常规模态：LongE2V不从头造模型，而是微调预训练视频扩散模型，一个框架同时干事件流的重建、预测、插帧三件事，主打数据效率。

重点关注

01 AI for Science 一个想法的「血统」能不能被机器追溯？

IdeaGene把科研想法当成有基因组的对象：每个想法都继承前作的机制、修补它的已知缺陷、重组早期工作的碎片。IG-Bench要考的不是模型能不能吐出一个听起来很新的点子，而是它能不能沿着这条继承结构往下走——说清一个想法从哪儿来、改了前人哪一处、跟已有方案的差异到底在哪。为此它构建了1961条黄金血统链、1085个想法基因组对象和920条两两对齐记录，覆盖10个科学领域，并把评测拆成闭式的血统推理（IG-Exam）和血统条件下的生成打分（IG-Arena）两部分。结果是一个明确的瓶颈信号：14个LLM科学家里最强的一个，血统推理的完全正确率也只有27.3%，而且给它们喂进结构化的血统上下文后，系统排名是被重新洗牌而非普遍抬高——说明「接上文献脉络」和「生成N个idea」考的根本不是同一种能力。对做研究自动化、想让agent真正长在文献脉络上的人，这个基准比刷idea数量更接近真问题。不过摘要止于benchmark本身，最终落地效果还取决于血统标注的质量，这一步得看全文里的标注流程才能判断。

想法生成的真瓶颈不是「够不够新」，而是能否说清继承与改动的结构——这是两种能力最强系统血统推理完全正确率仅27.3%，且结构化上下文只重排名次不普遍提分，说明这条路远未解决做科研agent的团队值得把「接上文献脉络」当成独立评测维度，但基准价值最终系于lineage标注质量，需看全文确认。

原文：Ideas Have Genomes: Benchmarking Scientific Lineage Reasoning and Lineage-Grounded Idea Generation

02 推理加速免重训拉长上下文，难点不在能不能，而在短文本会不会跟着掉精度

把开源模型的上下文从预训练窗口往外拉，现在几乎是默认操作——RAG、仓库级coding、agentic的推理和工具轨迹随手就把输入推到10倍开外。零样本外推的老办法是预先固定一个缩放因子（rescaling factor）：激进了短文本掉精度，保守了长文本又跟不上，本质是个二选一。Jet-Long的思路是双焦：一个忠实还原原始位置编码（RoPE）的局部窗口，加一个缩放因子随当前序列长度动态调整的远程窗口，短输入时精确退回基座模型，长输入时干净外推。工程上做得比较扎实——融进单个CuTe kernel后，长上下文prefill在H100上跑到FA2的1.39倍吞吐，单batch生成的额外开销在各个长度上都不超过4%，等于说这层外推基本是免费的。在Qwen3的1.7B/4B/8B上，RULER相比最强基线分别领先4.79/2.18/2.03个百分点，越小的模型收益越明显。

长上下文外推已是开源权重的默认部署路径，值得当成一个独立工程环节来选型Jet-Long免重训、免调参，对自己拉长上下文的团队是能直接试的东西短文本精确退回基座这一点，解决了固定缩放因子最容易被忽视的副作用。

原文：Jet-Long: Efficient Long-Context Extension with Dynamic Bifocal RoPE

03 Agent 主动帮你和被问才答,是两种能力

评测agent的老办法有两个惯性:关在sandbox里、问一句答一句。UniClawBench盯的是另一件事——「主动性」:agent能不能自己判断该在什么时候操作日常工具、出手帮用户,而不是被动等指令。为了把这个模糊的能力量化,它把proactive拆成五种基础能力(技能调用、探索、长上下文推理、多模态理解、跨平台协调),400个双语任务放进真实Docker容器里跑,用分步骤的checkpoint而不是预录答案来打分。更值得看的是闭环评测:一个执行agent、一个隐藏的监督agent、一个模拟用户的agent,一起还原多轮人类反馈,但不向被测方泄露评分标准——这样才能分辨agent是真读懂了用户意图,还是在猜评分规则。它还刻意把模型底座能力和框架设计拆开评,让人看清一次失败到底该归咎于哪一层。局限也在这:五种能力的切分是否穷尽、这套基准能否被社区认可成标准,都还需要更多框架跑过才知道。

评测重心从「答得对不对」转向「该不该主动出手」,这是agent产品化绕不开的一道坎把主动性拆成5种可测能力加活容器分步打分,给做agent的团队提供了定位失败根因的坐标系闭环三agent、隐藏评分标准的设计值得借鉴,但基准能否成为公认标准仍要看社区检验

原文：UniClawBench: A Universal Benchmark for Proactive Agents on Real-World Tasks

04 视频生成事件相机的稀疏信号，为什么这次不自己造模型？

事件相机(event camera)输出的不是画面，而是一串「哪个像素亮度变了」的稀疏信号，从中重建视频历来两难：回归方法把纹理糊掉，纯生成方法在长序列上又容易漂移崩掉。LongE2V的做法是不从头造模型，而是直接微调一个预训练视频扩散模型，把它已有的视频先验借过来，用一个框架同时干重建、未来预测、中间插帧三件事。为压住长序列的时间漂移，它加了自回归展开和自适应上下文切换；插帧则靠重编码对齐加交叉残差校正来保证双向一致。作者称在真实数据集上三项任务都超过现有方法，还有零样本泛化能力——不过只看摘要，这些指标的含金量得等代码和全文验证。真正值得注意的是路线选择：当下的世界模型、数字人都在卷普通视频输入，而这条借用扩散先验、专攻事件流这种非常规模态的路子，走的是完全不同的方向。

事件相机重建正在从「专用模型」转向「微调通用视频扩散模型」，数据效率是主要卖点一个框架统一重建/预测/插帧，对做事件相机应用的团队省了拼三套系统的成本做非常规传感器模态的，可以关注「借用大模型先验」这条低成本路径，但泛化和长程稳定性需全文确认。

原文：LongE2V: Long-Horizon Event-based Video Reconstruction, Prediction, and Frame Interpolation with Video Diffusion Models

也值得关注

把softmax和四种最新线性注意力放进同一套记号里横向对比 模型架构DeltaNet、Gated DeltaNet、KDA、Gated DeltaNet-2统一到recurrent-memory框架下，memory decay、erase/write机制的差异一目了然，选架构时可查。链接

Canvas360做in-context全景生成，顺手放出1M配对全景数据集 图像生成覆盖风格迁移、inpainting、outpainting、编辑，缺数据的全景/360任务可以直接用。链接

CausalDS给数据科学agent测因果推理 评测专门补上「有真实数据分析但没有原则化因果生成结构」的benchmark空白，关心agent会不会把相关当因果的人值得看。链接

把记忆当成主动干预机制而非被动检索 Agent长程任务里决策相关的状态会被埋进或挤出上下文窗口（作者叫「behavioral state decay」），这篇单独拿一个memory agent去托举决策。链接

OpenCoF让推理沿着时间连续的帧展开（Chain-of-Frame） 视频生成把视频生成当成区别于文本CoT的另一条推理路径，对「用生成模型做推理」这个方向感兴趣的可以扫一眼。链接

OPSD-V用on-policy自蒸馏给少步自回归视频生成器做后训练 视频生成压住长程rollout的误差累积和动态衰减，同时保住原有的少步推理路径。链接

今日观察

今天三篇benchmark很容易被当成「又出了三个榜单」划过去，但把它们摆在一起看，共同点是别的：UniClawBench的proactive预设了agent自己决定何时出手，IdeaGene的lineage预设了它把一个想法摆进历史里，CausalDS的因果预设了它推理干预而非相关。这三种能力有个共性——只有当agent被嵌进一个真实、连续的过程之后才成立，脱离了过程，「主动」「继承」「因果」都无从谈起。换句话说，评测的靶子正从「输出对不对」往「agent有没有建模任务领域的结构」挪：不再只问答案，而是问它有没有把自己放进任务所处的时间线、依赖链和干预关系里。

落到手上：如果你在评估或选型agent，别只盯着终态准确率那一个数。挑一个你真正要交付的连续任务，把过程结构显式列出来——哪一步该主动、哪个决定继承自上一步、哪里是干预而非相关——再看候选agent在这些结构点上各自崩在哪。失败往往不在答案，而在它压根没建模这层结构。