3%权重变化下1T模型中继树跨区域refit需150秒

今日概览

论文在两个AWS区域间测得完整1T检查点传输需87.5分钟，而3%权重变化率下的中继树跨区域refit需150秒：NeMo-DCR用位精确增量同步替代完整检查点传输，同时处理分片放置、版本一致性和故障重试。
ALIVE让插入对象真正参与视频动作；未使用VLM指导时，其Overall得分相对最强受评基线在ALIVE-interaction基准上提升43.9%，在通用视频对象插入基准上提升4.4%，优势边界相当明确。
HERMES把仓库状态变成Agent可调用的局部接口。 它按依赖激活带驻留模型的开发原语，在4个基准上平均领先匹配基线12.4%，并展示了大小模型协作的成本潜力。

重点关注

01 训练优化万亿参数Agentic RL，可能先卡在「发模型」上

Agentic RL把训练与推理解耦后，每轮策略更新都必须跨集群送到推理节点；论文测得，在两个AWS区域之间为权重同步传输完整1T检查点需要87.5分钟。NeMo-DCR抓住了一个很有价值的系统事实：BF16训练中，每步只有约1%的权重改变其存储值，因此同步增量远比反复搬运整套模型合理。难点不只是找出变化：它用固定映射把训练分片中的改动投影到检查点的统一坐标，其余变化走残差转换，再交给推理运行时原生加载器完成最终放置，避免重新实现一套脆弱的分片规则。为保证接收端逐位一致，可压缩的变化以XOR掩码传输，其他变化直接覆盖；更新原地写入，重试可覆盖中途留下的部分结果，联合提交则确保下一轮增量始终基于正确版本。数据也相当醒目：在3%权重变化率下，1T模型通过中继树在两个AWS区域间完成跨区域refit只需150秒，而传输完整1T检查点需要87.5分钟；论文报告30B至1T模型在3%和5%变化率下，相对仅传输完整检查点的参照可提速12至40倍。对建设大规模Agentic RL基础设施的团队来说，这意味着扩展瓶颈正在从训练算法延伸到版本一致性、跨集群传输与失败恢复，而增量同步可能成为不可缺的系统层。

评估大规模Agentic RL时，应把每轮权重同步延迟纳入吞吐预算增量传输只有同时解决分片放置、逐位一致和失败重试，才具备生产价值若训练与推理跨区域部署，可优先验证权重实际变化率及中继树方案的收益

原文：NeMo-DCR: Bit-Exact Delta-Compressed Refit for Scalable Agentic RL at Trillion-Parameter Scale

02 视频生成把物体放进视频容易，让它参与动作才难

视频对象插入真正棘手的地方，是新增物体不能只停留在画面里，还要自然地被拿起、移动或操作。ALIVE用35,800组成对样本训练编辑器：同一动作场景中，目标对象一版存在、一版缺席，让模型同时学习对象如何参与互动以及如何保留原视频内容。它还训练视觉语言模型（VLM）自动推断交互指导，不要求用户额外描述动作，进一步将交互得分提高0.95分。需要注意的是，未使用VLM指导时，ALIVE的Overall得分相对最强受评基线在ALIVE-interaction基准上提升43.9%，在通用视频对象插入基准上提升4.4%，说明它的优势主要集中在「让对象融入动作」，还不能据此判断其全面领先。

评估视频插入能力时，应重点检查对象是否真正参与动作，而不只是视觉上出现未使用VLM指导时，ALIVE的Overall得分相对最强受评基线在ALIVE-interaction和通用视频对象插入基准上分别提升43.9%和4.4%自动生成交互指导能减少用户提示负担，值得交互式视频产品关注

原文：ALIVE: Interaction-Aligned Object Insertion for First-Frame-Guided Video Editing

03 代码智能更强的编码Agent，关键可能不是换更大的模型？

长程编码任务中，模型反复翻找代码、配置、测试和依赖，真正缺的可能不是更多上下文，而是更适合Agent使用的仓库接口。HERMES把这些仓库对象包装成Dev-Primitive（开发原语），每个组件配有了解其实现与依赖的局部模型，再根据依赖关系按需激活。诊断机制还会把执行证据映射回必须修订的组件。摘要报告称，这套harness在4个基准上平均优于匹配基线12.4%；在配合强激活与诊断模型时，即使Dev-Primitives使用Qwen3-8B，其在全部4个基准上与同质GPT-5.6 Sol配置的差距也不超过4.5%，并在Terminal-Bench 4.0上节省26.2%的推理成本。这个结果说明仓库级接口设计可能成为独立于模型规模的能力杠杆，但成本口径、组件调度开销及跨仓库泛化仍需看全文确认。

优化编码Agent时，仓库接口可能比单纯扩大上下文更值得投入强模型负责激活与诊断、小模型处理局部组件，可能形成更划算的组合评估此类架构时，应同时检查任务成功率、完整推理成本和调度开销

原文：Harness Engineering for Software Engineering via Modular Executable Dev-Primitives

也值得关注

策略不断暴露新失败时，固定裁判也会过时；VeriFine让策略、课程与判定器共同迭代，并在进展停滞且验证成为瓶颈时，针对高信息量失败案例选择性请求人工指导。机器人框架在驾驶和机器人导航任务中验证了策略与判定能力的持续改进。链接

葡萄园实地案例中，切分训练集和测试集前进行合成过采样，导致2024年内部性能估计不可靠；独立的2025年巡视仅用于评估预测，另一项采样计划则遗漏了缺失葡萄藤的替补说明。 AI for Science研究覆盖140公顷，并检验了AI对巡视资源分配和现场采样计划的作用。链接

WASD不再只按词表位置匹配师生概率，而是把token语义距离纳入蒸馏目标，并用Sinkhorn散度控制计算成本。 训练优化其梯度等价目标无需引入额外网络，覆盖指令遵循、数学推理和代码生成实验。链接

医疗知识图推理同时约束证据预算、来源质量和可验证证据，在只消耗预算上限62%至65%的同时把引用精度从59.8%提高到77.9%。 AI for ScienceBAR在MIMIC-III和MIMIC-IV的8种疾病、3个预测时间跨度上进行评估。链接

模型比人类更容易从随机数据中编出群体关联和因果故事，稀疏自编码器分析进一步把这种错觉与频率感知特征联系起来。 可解释性研究将经典心理学范式改编为3类任务，并直接比较模型与人类行为。链接

ThinkFuse结合局部与轨迹级不确定性信号，在这些信号标记的不稳定点选择性融合辅助推理路径，并实现较少的融合触发与较少的生成token。 推理加速这是无训练的测试时融合方法，在较小主模型上仍保持稳健。链接

OpenWAM围绕共同的因果机器人视频基础构建，并支持联合、视频后动作、动作后视频和解耦生成四类可配置的视频—动作交互方式。 机器人框架基于Wan2.2-5B，并使用超过10,000小时的视频进行因果机器人视频预训练。链接

EmbodiedSmith让任务生成反过来要求场景补齐资产和物理条件，用递归改进循环扩展长程、灵巧手及流体等仿真数据。 机器人统一管线覆盖资产、场景和任务生成，可服务机器人预训练与评测。链接

部署模型只观察到被接受样本的标签时，仅用这些已观察标签持续重训可能误导重训过程，并削弱收敛到稳定解的保证；论文用最坏情形目标给出有界修正。安全对齐在条件标签分布满足敏感度假设时，历史被接受数据还能逐步收紧置信区间。链接

FoG让知识图中的深层反馈反向指导前段路径选择，避免局部剪枝过早丢掉暂时看似无关的关键证据。 检索它以由远及近的反馈和紧凑记忆子图支持持续探索，同时减少模型调用与token用量。链接

SquidAgent把并行决策写成一笔明确的账：只有关键路径节省超过上下文重探与结果对齐成本时，拆分任务才真正划算。 Agent系统用预测输出token衡量成本，并通过会话分叉和预设共享约定压低两类额外开销。链接

今日观察

三篇主文处理的是三种不同的状态交接：NeMo-DCR把训练后的参数变化可靠送到rollout集群，HERMES把分散的仓库状态变成Agent可按依赖调用的局部接口，ALIVE则把首帧中的对象编辑延展为后续帧中的交互约束。共同信号不是「模型更强」，而是系统正把过去依赖全量复制或隐式猜测的交接过程，改造成可压缩、可定位、可验证的显式协议。团队可以先列出工作流中反复丢失和重建状态的边界，记录每次交接的数据量、重建时间与验证条件，再优先改造成本最高的一处。