控制协议达100%，循环层省18%计算

重点关注

01 Agent提示词越优化，系统反而越容易崩？

优化器只是想让Agent写得更好，却可能顺手改掉消息路由、输出格式或终止信号，让依赖这些约定的整条流水线直接失效。这篇工作的关键不是发明另一种提示词搜索算法，而是把多Agent提示词重新视为程序：执行协议变成带类型、可验证的控制对象，真正需要优化的自然语言则留在数据流中。具体来说，优化器接触的是生成任务内容的数据流；路由目标、字段结构和终止条件则被封装为程序对象，在进入执行环节前接受类型与有效性校验。这样不仅能防止某个字段被改坏，也把「内容是否变好」和「接口能否继续执行」拆成两个独立的验收维度：前者可以持续搜索，后者不再随候选提示词漂移。由此，内容可以持续迭代，代码依赖的接口却不会随着提示词变化。在合成推理、协作式评论生成和保险评级流程中，这套分层设计最终都实现了100%的协议有效性，同时持续改善任务表现。现有证据首先覆盖这三类工作流；对于运行时新增分支、动态模型选择、工具异常和跨服务状态恢复等生产边界，摘要并未给出验证。落地时可以把任务指标与协议有效性并列检查，并为路由、格式和终止信号分别设置校验项；这是依据论文机制推导的工程检查方法，而非摘要已经测试的额外结论。对正在搭建多Agent系统的团队来说，值得立刻采用的思路是：先把控制契约从提示词里剥离，再谈自动优化。

原文：Control-Data Flow Separation: Stable Prompt Optimization in Multi-Agent LLMs

02 视频生成：会听指令的视频生成器，正在变成世界运行时

视频生成器不再只负责吐出一段成片，它开始像游戏引擎一样，在运行过程中接受控制。H3-World把角色动作和镜头运动组合成结构化语言指令，再与对应时段的视频隐变量对齐；其时间注意力路由会限制每条指令的生效区间，减少前后动作互相「串台」。更有意思的是，它没有另造一套动作模块，而是直接复用33B视频模型预训练得到的语义表示，仅用8000条游戏样本、1万步LoRA训练和0.199%的可训练参数完成适配。语言因此可能成为视频生成器的通用控制层，让一次性内容工具转向可交互的世界运行时。先别把它等同于可靠的物理模拟：能按指令操纵角色与镜头，只证明控制接口正在成熟，物体交互、长期一致性和因果规律仍需看全文及更多测试确认。

原文：H3-World: Turning Language Understanding into World Control

03 机器人：无人机飞得对，却可能败在一句「我到了」

把通用多模态大模型直接放进无人机控制回路，考验的不只是看懂画面，而是感知、决策与连续行动能否真正闭环。DroneCATS允许替换不同模型，并用接近目标、跟踪、视野外搜索和多机指挥四类任务测试其自主行动能力，全程无需微调或函数调用接口。摘要披露了一个值得警惕的现象：小型开源模型有时比前沿模型更容易飞进成功范围，却会因过早宣布抵达或始终不结束任务而失败；到了多机任务，它们还可能无视不同视角，机械复制同一坐标。这说明空间感知尚可并不等于系统可靠，持续遵守行动协议、正确判断终止时机同样决定成败。对机器人团队来说，这类统一基准更适合用来划定模型的自主权限和人工接管条件，而不是仅凭排行榜或演示效果选型。

原文：Evaluating Multimodal LLMs as Generalist Vision-Language-Action Agents for Drone Control: Commanding, Approaching, Tracking and Searching

04 评测：会演学生，不等于真的像学生

一个模型把「学生腔」演得惟妙惟肖，反而可能制造教育实验里最危险的假象：它会顺着辅导解释，却未必按特定学生的能力边界犯错、纠正和进步。StudentSim没有继续堆角色提示，而是先汇总多名学生的数据训练，再用个人数据专门化，并分别评估「回答是否像本人」和「接受指导后是否合理更新」。摘要显示，在国际象棋任务中，它的行为保真度和指导响应度分别达到0.51和0.91，对比GPT-5.4的0.23和0.72、Maia2的0.45和0.27，说明角色感、能力校准与学习反应确实不是一回事。更有意思的是，以这个模拟器作为奖励模型训练出的棋类导师，获得了专家更高的准确性、指导质量和个性化评价，初步证明更可信的「代理学生」可能改善真实教学策略。只是评测目前覆盖60名学生和三个领域，产品团队在用它替代真人实验前，仍需看全文确认跨人群泛化、长期学习轨迹以及模拟偏差是否会被强化学习进一步放大。

原文：StudentSim: Training LLM-based Student Simulators

05 模型架构：循环层变强，究竟是架构优势还是偷偷多算了？

循环层让同一组参数反复处理信息，但过去不少实验固定的是模型大小，额外计算量带来的收益很难与架构本身分开。SMELT同时对齐了每个token的计算量、非嵌入参数规模和KV缓存，只让中间一半层运行两次，并结合稀疏专家来控制预算。在四个规模、最高540亿参数的实验中，它在计算最优曲线上节省了6.8%—18.0%的训练计算量，优势在代码任务、长样本和更多上下文示例下尤其明显。作者还观察到，第二次经过共享层时，注意力会减少对固定位置的过度集中，转向与内容更相关的token，不过这是否构成普遍机制仍需看全文和更多模型验证。对训练大模型的团队而言，这项工作的价值不是宣告循环层取代标准Transformer，而是提供了一套预算公平、可以复现实测的架构配方。

原文：SMELT: Scaling Laws for Compute-Matched MoE Looped Transformers