同构变体揭示推理失灵，Agent训练动态调预算

重点关注

01 评测 同一道规则换个壳，推理模型就可能失灵

推理模型能解出一道规则题，却常在结构等价的变体上失败。研究者借用认知科学中的「系统性」标准：对一个概念的理解，应当与对其相近变体的理解相联系；如果模型确实掌握了规则，它在同一任务的结构等价版本上就应表现一致，而不是只在最初呈现的题目中成功。为检验这一点，研究把认知科学中已有的规则归纳任务扩展为多个任务族，利用任务本身的组合结构，通过重组和替换等同构操作生成变体。这样改变的是元素的组合或呈现，保留的则是需要模型处理的结构关系，因此跨变体表现差异能帮助区分两种情况：模型究竟形成了可迁移的规则能力，还是仅适应了某个特定上下文。

结果显示，即使模型能够正确解出原题，也经常无法解决同一任务的结构等价变体。问题因此不只是某道题有没有答对，而是正确表现能否随着规则结构迁移到相近情形。单一准确率会把一次成功压缩成「具备能力」的结论，却无法说明这种能力是否具有系统性；成组比较重组与替换后的同构变体，则能直接观察模型在等价条件下是否保持一致。研究也据此提醒，若模型行为缺乏系统性，就很难仅凭特定评测上下文中的成绩，稳健确认其认知能力。摘要没有给出具体模型、任务规模和差异幅度，结论的普遍性仍需看全文确认。对评测设计者来说，与其继续增加彼此孤立的题目，不如围绕同一组合结构生成成组变体，把跨变体一致性与原题准确率并列报告。

原文：Thought without systematicity? Evaluating reasoning models on rule induction tasks

02 Agent 同一个模型换套接口，训练预算该投给谁？

同一个Agent换掉系统提示、工具格式或控制循环，能力就可能明显波动，而简单地把多个执行框架混在一起训练，并不能保证每一步都值得。HarnessBandit把训练调度变成在线选择：每次优化只挑一个框架，同时衡量它当前是否「学得动」，以及这次更新能否迁移到其他框架。前者看批次中的学习信号强弱，后者用低维梯度近似判断不同框架的更新方向是否一致，再配合探索机制动态分配训练预算。基于Qwen3.5-2B和六种框架的实验中，它在两个基准上都超过混合批次训练，包括任务与执行框架均未见过的ClawEval。对做Agent训练的团队来说，这项工作的价值不只是增加环境多样性，而是开始回答一个更实际的问题：有限算力应该优先花在哪些既能进步、又能产生外溢收益的接口上。

原文：HarnessBandit: Joint Learnability-Transferability Scheduling for Multi-Harness Agentic Reinforcement Learning

03 AI for Science 诊断命中之后，还要逐项兑现验证义务

VeriDx把医疗大模型的评价单位，从最终诊断改成由每个疾病假设触发的一组「临床义务」。一旦模型提出某种疾病，它就要核查关键证据、排除替代解释、处理矛盾、考虑有用检查，并证明为何可以收束；框架再将这些义务标为满足、未解决或违反。作者在复杂呼吸系统诊断上，用指南构建疾病档案，并结合专家标注的纵向病例，发现不少错误并非孤立失误，而是前面承诺断裂后的累积结果。这个视角能揭示漏做关键检查、悬而未决的鉴别诊断和过早收束，即使最终答案碰巧命中，也不放过过程漏洞。不过摘要未提供具体性能数字，疾病档案和专家标注能否扩展到更多专科、这种核查能否转化为真实临床安全，仍需看全文与进一步验证。

原文：VeriDx: Earning the Right to Diagnose with Disease-Centric Verification

04 多模态 路由器该记住任务中心，还是记住不确定性？

持续给多模态模型加入新任务时，难点不只是选择参数，还要防止某种模态长期左右路由结果。常见方法按样本与任务中心的距离做匹配，再等权融合不同模态，但这既忽略了任务内部的多样性，也默认图像和文本在所有任务上同样可靠。Hyper-LLaVA改为在双曲空间中比较样本与整个任务分布，而非只盯住一个中心点，让路由依据能记录任务内部结构。它还估计每种模态的匹配歧义，动态降低不可靠模态的权重，从而减少因单一模态误判而选错参数。摘要称其大幅领先现有方法，但没有给出具体数字；对持续学习团队而言，更值得验证的是「分布特征＋模态可靠性」能否比任务标签和中心向量更稳定地支撑长期路由。

原文：Hyper-LLaVA: Hyperbolic Uncertainty-aware Modality-Balanced Routing for Multimodal Continual Instruction Tuning