今日概览
- 技能熵让Qwen3-4B得分从34.4%升至68.4%：长链任务的瓶颈不仅是单项技能，还包括技能切换时能否正确传递中间结果。
- 多模态统一越早启动越有效，受控实验显示延迟融合可能造成「视觉惰性」，训练决策需要从经验配方转向可验证证据。
- 用户画像中35%—49%的陈述属于过度推断。模型自我监控也可能失灵，个性化产品应将记忆内容与证据来源分开验收。
重点关注
01 推理 模型会做数学也会规划，却可能输在切换那一刻
现有评测容易掩盖一个关键变量：模型单项能力都不错，不代表它能在数学推导、规划等技能之间顺利切换，并把中间结果正确交给下一步。研究者用「技能熵」量化这种切换复杂度，并基于558种技能、9个领域构建跨技能长链评测；测试8个前沿模型和4个开源模型后，任务熵越高，准确率越低。更有意思的是，这个指标不只用于诊断，还能直接变成训练信号：模型每一步既要回答，也要预测自己正在使用什么技能，再依据答案正确性和技能序列的一致性获得奖励。在Qwen3-4B-Instruct上，得分从34.4%升至68.4%；1.7B版本也从14.6%升至40.1%，提升幅度相当醒目。它为跨技能切换难度提供了独立指标，让团队能在最终成功率之外看到技能衔接问题；是否能进一步定位单项能力短板，仍需结合单技能评测验证。对训练Agent或复杂工作流的团队来说，这类独立指标比笼统统计最终成功率更有价值，不过方法能否迁移到更多真实任务仍需看全文和进一步验证。
原文：Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning
02 多模态 多模态预训练，该从「配方玄学」毕业了
统一多模态预训练长期依赖零散配方：数据怎么混、模块怎么共享、视觉何时接入，往往先看结果再解释。这项工作用受控实验拆解训练决策，发现数据复杂度会影响模态之间究竟是协同还是竞争，而共享注意力与归一化、保留模态专属前馈层可能更利于协同。训练次序同样关键：越早统一视觉与语言越有效，延迟融合会出现「视觉惰性」，让模型更多依赖语言先验。作者还声称以5%的计算预算获得较强生成表现，并在13.5B参数的混合专家模型和2T token规模上验证规律。方向值得重视，但摘要没有给出完整基线和任务明细，所谓效率收益与跨场景普适性仍需看全文确认。
03 安全对齐 自称没乱猜的模型，可能猜得更多
个性化系统更隐蔽的风险，不是忘记用户，而是把无证据的猜测悄悄写进用户画像。MirageBench评测12个模型后发现，每个模型都有35%—49%的陈述属于过度推断，且多轮对话中这些属性近似线性累积、很少被修正。更值得警惕的是，模型自称「很少过度推断」并不可靠：自评与外部评测呈负向排名相关，但该结果仅来自12个模型，置信区间也跨过零，暂时更适合作为预警而非定论。模型的自我审查对筛查自身陈述尚有一定作用，却不适合拿来比较不同模型谁更可信。做个性化产品时，「记住了什么」和「有什么证据」应当分开验收，并由外部机制核验推断属性。
原文：The Personalization Mirage: How LLMs Fabricate User Profiles, and Why Self-Monitoring Misleads
也值得关注
今日观察
Skill Entropy、OneDayAgent、FocusMem与ABSeeker指向同一个工程问题：长时程能力的关键不只是容纳更多内容，而是显式管理不同环节之间的边界。技能发生切换时，需要检查中间结果是否被正确传递；任务跨环境执行时，需要持续保存目标与状态；读取压缩记忆时，需要估计内容的可信度；训练搜索策略时，则要区分每一步对最终答案的真实贡献。如果这些边界没有独立记录，同一个失败很容易被笼统归为「推理不足」，真正需要修复的技能接口、状态恢复、记忆读取或奖励分配问题反而不可见。下一轮Agent评测应为技能切换、跨环境状态、记忆可信度和步骤贡献分别建立日志字段与失败指标，再将它们关联到最终成功率。