今日概览
- 可行交付的局部高质量并未转化为整体部署成功：OR-License中，若干模型的条件目标质量超过专家参照，但没有模型追平将不可行交付计零的DAQ。
- SpecMRL用谱基把高信息方向前置，在所有测试压缩维度上超过普通MRL，并以一半embedding维度超过其全维版本。
- 单个状态因素和动作处于训练支持内，也不保证新组合泛化。 AnyGoal观察到多个模型家族在目标迁移时失败，提示规划前应增加组合留出测试。
重点关注
01 评测 局部超过专家，却仍过不了交付线
一些运筹Agent在可行方案的目标质量上超过了专家参照，但一旦把不可行交付计为零，没有一个模型追平专家的部署调整质量（DAQ）。OR-License没有把整理好的优化题交给模型，而是从原始客户材料开始，完整考察需求获取、问题建模、代码实现和结果验证这条交付链。主评测中表现最强的Claude Code配置严格可行率为88.39%，DAQ为0.87，对照的专家参照为1——少数失败足以吞掉局部优化带来的优势。更值得警惕的是，在可评估任务上，按任务等权统计的研究链完成率在各模型间为24%至45%，说明持续补齐信息缺口和修正建模错误仍是主要瓶颈。这个基准只有31个实例、覆盖10类工业场景，不能据此外推Agent已具备普遍的专家级运筹能力，但它给部署团队提供了更实用的验收方式：不要只看成功样本的平均质量，要逐环检查方案是否真的可交付。
原文：OR-License: Evaluating LLM Agents as Real-World Operations Research Practitioners
02 检索 SpecMRL在谱空间重排前缀读取
普通Matryoshka表示学习联合优化多个嵌套前缀，其设计没有显式约束要求前部形成合适的紧凑编码。SpecMRL的做法是用模型参数导出的谱基重组特征空间，先把信息量更高的方向排到前面，再从这个空间读取不同长度的前缀。摘要显示，它在MTEB嵌入评测的所有压缩维度上都超过普通MRL，而且压缩越激进，优势越明显。更值得注意的是，仅用一半embedding维度就超过了普通MRL的全维版本，不过具体收益覆盖哪些任务、重组是否增加训练或部署成本，还需要看全文确认。对向量检索系统而言，这提供了一条实用路径：用同一个模型适配多档存储与延迟预算，而不必分别维护多套embedding模型。
原文：SpecMRL: Redesign Matryoshka Representation Learning within Parametric Spectrum
03 机器人 AnyGoal专测世界模型的组合泛化
AnyGoal专门测试组合泛化：单个状态因素和动作仍在训练支持内，而它们的组合在专家轨迹中代表不足。AnyGoal以常用世界模型环境构造目标迁移任务，观察模型面对这些重组时的表现。结果是，在多个环境和模型家族中，当前模型在这类重组下持续出现失败；论文考察了动力学、表征以及目标迁移预测和规划中的挑战。具体退化幅度和不同架构的差异还需看全文确认，但结论已经足够提醒开发者：接入规划器前，仅验证专家分布内的预测表现并不可靠。更实用的门槛，是增加组合留出测试，专门检查模型能否在熟悉因素的新搭配下维持正确动力学。
原文：AnyGoal: On World Model Generalization Beyond Expert Rollouts
也值得关注
今日观察
今天几项结果共同暴露了「条件能力」与「部署成功」之间的统计落差。OR-License中，模型可在可行交付条件下超过专家目标质量，却会因不可行结果在DAQ上落后；AdaExploreBench中，提供充分证据或移除规则漂移能让平均表现提高近10%，说明推理分数会掩盖主动取证与识别证据过期的失败；AnyGoal则表明，单个状态因素和动作处于训练支持内，并不能保证模型应对专家轨迹中代表不足的新组合。实践上应把评测拆成信息获取、有效性或可行性门槛、通过门槛后的质量三层，先报告各层失败率，再报告条件平均分，避免用幸存样本上的高质量掩盖整条任务链的失效。具体可从下一轮评测开始，为每个任务分别记录证据获取失败率、无效或不可行率及通过门槛后的质量分布。