教师策略达93.57，3000条样本挽回37.3%

重点关注

01 机器人 人类日志教会了车怎么开，也圈住了它能学会什么

模仿学习擅长复现日志里的驾驶，却很难主动探索人类司机没有展示过的行为。DriveZero的有趣之处，是不强迫感知和动作共享同一套训练逻辑：感知模型从海量、多样的视觉数据中学习理解世界，动作模型则进入由真实日志转换出的交互环境，通过闭环强化学习反复试错。前者把DINOv3、SigLIP2、SAM等多个冻结的视觉基础模型整合进单一骨干网络，不需要任务专用标注；后者用PPO训练拥有额外环境信息的教师策略，让错误动作真正影响后续局面。

最终的相机端到端规划器不直接模仿人类轨迹，而是学习教师策略实际滚动生成的行为，并可通过改变驾驶意图获得日志中不存在、但与目标一致的监督。在nuPlan上，加入价值引导的测试时动作搜索后，教师策略在多个社区划分中的平均分达到93.57，并全部超过日志回放专家；最终系统也在NAVSIMv1、NAVSIMv2和HUGSIM上取得摘要所称的领先结果。不过，这些结果更能说明「训练信号可以突破日志的行为覆盖」，还不能直接等同于真实道路上的全面超人驾驶，泛化范围和安全边界仍需看全文及更多实车验证。

原文：DriveZero: End-to-End Driving Beyond Human Demonstrations

02 Agent 工具选对了，为什么任务还是会失败？

多轮工具调用里，真正容易被忽略的错误往往藏在参数中：模型可能选对工具，却填入了编造、过期或缺乏依据的值。SAP结合状态引导、参数来源约束与逐轮校验，以构造具有长程依赖且准确的工具调用轨迹。这样生成的数据训练的就不只是「看到需求后匹配工具名」，而是根据当前状态组装出真正可执行的调用。摘要称，基于这些数据训练的SAP-4B在多个基准上可与更大模型竞争，不过具体优势和对真实环境噪声的适应性仍需看全文确认。对训练Agent的团队来说，评估合成数据时应把参数的可追溯性和跨轮一致性列为核心指标。

原文：SAP: State-Guided Data Synthesis with Argument Provenance for Multi-Turn Tool Use

03 训练优化 「免训练」压缩的终点，为什么只是另一个起点？

没想到，MoE压缩完成后的检查点，可能更像一份「待修复的初始化」，而不是可以直接交付的成品。研究在统一GPU成本下比较了多种调整方案：仅用3000条C4样本训练一轮，全参数调整平均就能找回37.3%的压缩损失。更反直觉的是，普通语言模型训练比基于教师模型的逐词知识蒸馏更划算，全参数调整也优于更克制的参数范围。这个结论覆盖两种MoE骨干、四种压缩方法和28个基准，但能否推广到更多模型与部署环境仍需验证。对部署团队来说，真正该优化的不是「训练成本是否为零」，而是压缩与小额修复合计后，每单位GPU成本换回了多少性能。

原文：Beyond Retraining-Free MoE Compression: A Cost-Normalized Study of Post-Compression Adjustment

04 评测 给了全文上下文，评分却依然「看不见」篇章

把整篇文档交给标注者，直觉上应该能评出跨句一致性，但这项研究发现，展示上下文不等于使用上下文。研究者构造了反事实混合文档：从不同翻译系统抽取句段拼成全文，破坏篇章连贯性；在18,420条英译韩专家标注和14种自动指标中，混合文档与连贯文档的得分、系统排名和错误标注却在统计上相当。问题并非评审者察觉不到异常——看到配对文本时，他们有87.3%的概率能认出由同一译者完成的连贯版本。换句话说，篇章级界面改变了标注者的工作方式，却没让这些差异进入最终记录；做翻译评测的团队需要用这类「破坏目标能力」的对照实验，确认指标究竟对篇章一致性是否敏感。

原文：The Blindness of Document-Level Translation Evaluation