语音RAG的F1跌幅扩大67%

重点关注

01 Agent 真正能干活的Agent，开始用「持续交付」来定义

「工作能力」（working capability）把Agent的目标从答对一次，改写为持续、可验证地推进真实任务：它不仅要调用文件、搜索和代码工具，还要记住状态、从失败中恢复，最终交付可检查的结果。Apodex 1.1的关键思路是同时扩展两件事——一边增加多样且可验证的执行环境，一边训练Agent拆解长程任务、并行委派、整合异步结果并动态重规划。共享执行框架和AgentOS则负责保留任务状态与操作来源，让多Agent协作不只是「多开几个对话」，而是一条能够追踪和复核的工作链。摘要称其在金融、科研、数学、编程和搜索等复杂任务上进入领先梯队，同时35B参数的Mini版本仍保留较强能力，为本地部署提供了一个值得关注的尺寸。真正有意思的不是模型又多拿了多少分，而是训练对象开始从最终答案转向完整工作轨迹：哪里失败、如何修正、由谁完成、交付是否通过验证，都成为能力的一部分。不过这些机制能否在长时间运行中稳定控制错误传播、协调成本和验证质量，仍需结合全文实验确认；评估Agent产品时，也该开始检查它能否持续交付，而不只看一次性得分。

原文：Apodex 1.1: Scaling Agentic Intelligence for Complex Work

02 检索 检索链路越聪明，语音RAG反而越容易错？

直觉上，实体图和多轮改写应该能修正语音查询里的小偏差，但实验显示，它们可能把一次「听错」扩散成更自洽的错误。相比朴素的稠密检索，两者结合后，从干净文本到最高词错率口音的F1跌幅扩大了36%–67%，这一现象出现在全部三个多跳问答基准上。症结主要不是检索量不足，而是实体被自动语音识别（ASR）弄错：在2WikiMultiHopQA中，这类问题占性能退化案例的87%–96%，简单的表面文本修补也未能填平差距。更复杂的方案仍有更高的绝对F1，但这不等于更强的抗错能力。由于口音来自神经语音合成，真实用户场景还需进一步验证；做语音产品的团队更该测量整条链路如何放大错误，而不只是盯着召回率。

原文：Better Retrieval, Worse Robustness: How Multi-hop RAG Amplifies Upstream ASR Errors

03 训练优化 把稳定约束移到环境侧，释放策略探索预算

Policy-KL把模型输出拴在参考策略附近，既控制训练漂移，也直接压缩了回答侧的探索空间。ERPO把这两项职责拆开：用Query-KL约束训练过程中查询分布的偏移，并以参考分布生成的静态权重，让更新更偏向典型查询。由于这项正则化的梯度只经过查询概率，不直接干预回答分布，PPO、GRPO等流程可以分别调节「环境稳定性」和「策略探索强度」，而且无需增加前向计算。摘要报告称，该方法在6个数学推理基准上取得更高准确率，并在高温采样和长周期训练下表现得更稳定。这个思路可能改变后训练的调参逻辑，但目前证据集中在数学任务，跨领域是否仍能稳住查询分布、又不引入新的偏差，还需要更多验证。

原文：Beyond the Stability-Exploration Dilemma: Environmental Regularization for LLM Policy Optimization

04 视频生成 少数注意力头承担长记忆

交互式世界模型的实时响应与长期一致性，未必需要靠无限扩张上下文来解决。ReWorld把注意力头分工：大多数局部头只关注近期画面，维持动作控制速度；少量全局头回看完整历史，负责保存空间记忆，并通过随机路由避免能力固化在特定头上。推理时，历史被压进固定大小的KV缓存（注意力计算所需的中间状态），再从按相机位置索引的地标库中取回附近场景，因此内存开销不会随游玩时间持续增长。摘要报告称，在64秒、384个潜变量的往返测试中，仅保留12个数据块仍能重建起点画面，同时四步采样可实时输出704×1280视频。对做交互视频、游戏生成或具身模拟的团队来说，真正值得关注的不是更长窗口，而是把短期控制与长期记忆拆成不同的计算职责。

原文：ReWorld: An Interactive World Model with Long-Horizon Memory