外观
AI 导读研究人员提出Stateful Harness框架，将世界演化与视频渲染分离，支持基于规则的状态交互。通过维护 evolving world state 并使用冻结视频模型渲染事件，该框架在隐藏状态场景下实现了92%的规则合规率，显著优于现有方法。团队还构建了WorldState-Bench基准测试，包含50对反事实双胞胎样本用于评估。
AI 选稿理由解决了世界模型在隐藏状态场景下规则执行不稳定的瓶颈，为需要持久规则交互的应用提供了新框架
AI 导读研究团队提出InfiniDream框架，结合视觉语言模型与程序生成技术，实现了开放式的逼真3D世界生成。该框架包含符号约束资产生成和端到端文本到世界管道，可在保持可编辑性和多样性的同时创建新型资产，并通过语义场景规划和确定性视锥引导网格放置构建大规模3D世界。在100个对象和20个场景生成任务中，该框架在四个感知指标上表现优异。
AI 选稿理由解决了现有VLM引导的程序生成方法受限于预定义工厂和API的问题，使AI能够创建新型逼真3D资产和世界，适用于游戏开发和合成数据创建。
AI 导读该论文揭示了混合架构中不同混合器之间的竞争学习现象，现代递归层在检索功能学习上快于softmax注意力，导致注意力层难以学习检索功能。通过在训练中途停止递归层权重更新，可使注意力层成功学习检索功能。提出的分阶段训练方法在10亿参数模型上显著提升了语言建模损失、常识推理及多种检索相关任务性能。
AI 选稿理由解决了混合架构中不同混合器功能竞争的问题，提供了一种有效的分阶段训练方法，显著提升了混合模型在检索任务和语言建模中的性能。
AI 导读研究团队提出集体经验学习(CEL)范式，通过失败引导的经验检索微调(FERT)方法，让部署中的机器人共享执行经验来改进共同策略。配合容错异步训练系统(FATS)，在五个实际操作任务中，策略成功率达93.3-99.2%。96台机器人在手机包装任务中，成功率从79.2%提升至98.3%，无需额外专家纠正动作。
AI 选稿理由解决了机器人舰队规模扩大时人工监督不足的瓶颈，使机器人能通过共享经验自主学习，大幅提升任务成功率并降低对专家干预的依赖。
AI 导读研究团队提出 AgenticRoboRL，把编码智能体的后训练思路迁移到机器人规划器。训练流程结合监督微调与多轮强化学习，并通过针对不同执行框架的适配器，将规划器交互记录与任务结果对齐，使 VLA 技能调用和代码生成等执行方式共用一套强化学习流程。在 LIBERO-PRO 上，一个 9B 参数规划器的成功率从 18.1% 提升到 71.0%，在不借助外部记忆的情况下接近 Codex（GPT-5.5）加外部记忆的 72.1%。团队将开源框架和训练好的规划器检查点。
AI 选稿理由给出机器人规划器可后训练的具体方法，并在 LIBERO-PRO 上把 9B 模型成功率从 18.1% 提升到 71.0%，接近 Codex 加外部记忆的 72.1%，同时承诺开源框架与检查点。
AI 导读Hugging Face每日论文报道，研究团队提出RLSplat，一种资源线性预算控制的三维高斯喷溅框架，通过线性减少表示大小、推理延迟和峰值内存，以降低资源消耗。该方法通过学习高斯分配策略，在局部场景区域分配预算，并使用资源线性高斯解码，使解码成本随高斯数量线性减少。在零样本评估中，RLSplat在所有预算下均优于先前的方法。
AI 选稿理由RLSplat通过线性减少资源消耗，提高了资源受限环境下的三维高斯喷溅效率。
AI 导读研究团队提出由不同学科背景的AI研究员组成的协作团队，通过保持独立研究历史、共享实验证据和自适应分配研究机会，在有限实验预算下持续发现新架构。该团队在1.3B规模线性注意力架构搜索中，于语言建模、常识推理和检索任务上超越GDN2模型。移除任何组织组件都会显著降低发现效果。
AI 选稿理由提出多学科AI研究团队协作机制，在有限预算下实现持续科学发现，实验证明不同背景、独立历史和自适应分配对突破局部最优至关重要。
AI 导读研究提出分层稀疏注意力 SSA，将确定性检索与分数引导采样结合，对残差 token 按其计入概率校正，从而找回检索集之外的注意力质量，统一涵盖 top-k、top-p 与混合采样。在 RULER、LongBench、LOFT、AIME 及 3B–27B 共五个模型上，SSA 在同等稀疏度下一致优于基线；在 RULER-HARD、Ministral-3-8B、50 倍注意力稀疏下，32K 准确率从 81.8% 升至 84.2%，128K 从 63.8% 升至 69.3%，分别恢复稠密性能的 94% 与 85%。配合优化 CUDA 内核，1M 上下文解码较 FlashInfer 最高提速 2.96 倍，代码已开源。
AI 选稿理由在多个长上下文基准和五个模型上验证了极端稀疏时缩小与稠密注意力差距的方法，并给出 1M 上下文解码最高 2.96 倍的实测加速，适合关注长上下文推理效率的读者。
AI 导读研究团队推出RoboCasa-Shift基准，通过控制单因素偏移、匹配清洁-扰动轨迹和模拟器引导的阶段感知诊断，评估GR00T N1.5在四个长时程任务中的鲁棒性。研究发现鲁棒性响应在不同因素和任务间差异显著，且严重程度增加并不总是导致单调退化。同一端到端退化可能对应不同的执行深度配置，表明视觉语言动作鲁棒性应被视为执行的多维属性而非单一端到端性能指标。
AI 选稿理由提供了一种新的鲁棒性评估方法，揭示了视觉语言动作策略在不同扰动因素下的多维失效模式，适用于机器人操作领域的鲁棒性研究。
AI 导读研究者追踪了七个开源强化学习训练框架，分析了它们在2025年1月至2026年6月期间对1,598篇论文的包含情况。研究发现，在180天内被包含的论文数量稳定在5到7篇，这些论文通常具有30B参数以上的训练策略，并经常修改现有损失函数的系数、clip、mask或权重。
AI 选稿理由该研究提供了关于开源强化学习训练框架中包含和审查过程的详细数据，有助于理解这些框架如何采用新的强化学习方法。
AI 导读研究者发布Code2Video-Compass基准，用于评估多模态大模型把视觉与时间要求转成可执行程序来生成完整视频的能力。基准含2104项任务、10类、24子类和构建、动态动画、状态依赖三个复杂度维度，覆盖T2V、I2V、V2V；采用12项客观指标与5项主观指标的评测框架。15个来自9个家族的专有及开放权重模型测试显示，领先模型仍难稳定生成符合要求的完整视频，复杂度升高时性能普遍下降。
AI 选稿理由该工作提供覆盖三种输入模态与三个复杂度维度的2104项代码视频生成任务及双层评测框架，并给出15个模型的实证结果，适用于评估程序化视频生成能力。
AI 导读针对Agent长轨迹中KV缓存I/O与存储成为主要成本、裁剪历史又会触发重新预填充的问题，作者提出“缓存工程”：Agent可用drop把选定缓存排除出后续注意力，用repos调整保留键的位置编码，无需改动轨迹前缀。团队将历史依赖视为服务难题并联合设计AKV引擎，以无状态接口内部管理缓存复用、驱逐与恢复。工具响应滚动丢弃策略使平均基准分提高1.7分、平均成本降低27.7%；AKV输出吞吐最高1.2倍，P95请求延迟加速1.5倍；缓存策略递归自改进再降本7.1%。代码已开源。
AI 选稿理由提出不改轨迹即可控制活跃KV缓存的drop/repos操作，并给出AKV引擎与量化收益，适用于长轨迹Agent推理服务优化。
AI 导读StyleStream 2.0通过训练少量步骤的像素MeanFlow模型并使用自回归反馈微调，将端到端延迟降低至520毫秒，比1.0版本提速2倍，同时保持转换质量。该框架引入紧凑的风格嵌入，支持基于文本的语音设计和指令式语音编辑，在目标风格保真度方面达到最强性能。
AI 选稿理由StyleStream 2.0实现了语音风格转换的延迟优化和文本控制能力提升，适用于实时语音处理和个性化语音生成场景。
AI 导读研究团队提出DiffResearch框架，将扩散语言模型(dLLM)应用于深度研究的每个阶段。在100项Deep Research Bench任务中，扩散模型比自回归模型快约6倍，主要得益于规划和写作阶段的显著提速。团队还引入dFast模式，通过读取中间去噪状态提取子查询，实现1.99倍速度提升且不降低报告质量。基于更强扩散模型的系统在排行榜上超越多个商业系统。DiffResearch已以Apache-2.0许可证开源。
AI 选稿理由扩散语言模型在深度研究框架中实现端到端速度提升6倍，dFast模式进一步加速分解过程，且报告质量保持不变，开源框架可促进研究应用。
AI 导读研究证明扩散语言模型代理可通过连续状态传递隐藏消息，接收方会使用这些消息内容。在Tiny-A2D和Dream-7B任务中，移除消息导致性能下降63.6和100.0点；错误消息使QASC准确率从80.8%降至46.8%。单次晚期信息传递效果优于四次交换，提供扩散模型代理间连续隐藏通信的因果证据。
AI 选稿理由研究首次证明扩散语言模型代理可通过连续状态进行隐藏通信，并展示了信息传递时机比交换次数更重要。
AI 导读研究比较多层Local Expert与跨层共享的Meta Expert，发现共享专家参数冗余更低、交叉熵损失更小、下游准确率更高。在激活专家数量和粒度固定时，仅用70–80%的专家即可达到普通MoE性能；理论分析称Meta Expert为隐藏状态提供更灵活的残差通路，提升信息检索效率。
AI 选稿理由给出跨层共享专家在MoE中减少冗余的具体实验对比与70–80%专家用量结果，属模型架构研究，尚需按论文实验范围理解。
AI 导读研究团队提出DuoLM框架，通过紧凑推荐模型与高效运行时结合，实现个性化推荐。编码器LLM学习可重用的紧凑物品表示，个性化排序器LLM结合用户历史与反馈进行推荐。在单块H100上每秒可处理约26,400个候选评分，比vLLM服务教师模型的吞吐量提高约60倍，同时保持与专家教师模型相当的推荐质量。
AI 选稿理由DuoLM框架通过模型压缩与优化推理，在保持推荐质量的同时将服务吞吐量提升60倍，适用于大规模个性化推荐场景。
AI 导读研究团队推出StreamEval，一个涵盖五个任务的交互式流式视频生成统一基准，包括虚拟人对话、表演、世界生成、指令编辑和参考编辑。该基准包含300个测试用例，通过四个维度（任务执行、状态一致性、视觉保真度和视听协调）评估37个模型，发现高质量视觉和身份保留并不一定可靠执行请求或保持状态一致性，请求执行仍是主要挑战。
AI 选稿理由StreamEval提供了首个交互式流式视频生成的统一评估框架，揭示了当前模型在请求执行和状态一致性方面的关键缺陷，为实时多模态系统发展指明方向。
AI 导读论文提出Ask-to-Distill，把合成问题当作分布引出器，用冻结的学生-教师模型对计算问题价值：结合师生分歧、教师概率质量与学生候选支持，并加入长度和多样性控制，无需参考答案、正确性奖励或逐候选更新。生成的问题经筛选去重后进入纯提示题库供标准OPD使用，在数学推理、代码生成与Agent任务上平均性能超过未优化提示和KL过滤的真实问题。
AI 选稿理由提出无需参考答案的问题价值代理指标与生成流程，并在三类任务上给出相对真实题库和过滤基线的评测结果。
AI 导读研究团队提出TextRIRO模型，通过破坏原始图像（如裁剪、打乱、遮盖）构建自配对训练数据，基于条件扩散架构实现场景文本编辑。实验表明，结合字符列打乱与图像裁剪的方法能有效破坏文本语义同时保留风格线索，在真实世界基准测试中取得准确性和视觉真实性的优异表现，并构建了TextRIRO-3M大规模长文本识别数据集。
AI 选稿理由TextRIRO模型通过自配对真实数据训练，显著降低了合成到真实领域的差距，为场景文本编辑提供了更可靠、更实用的解决方案。
AI 导读研究追踪SFT、DPO和强化学习如何改变模型匹配用户语言习惯的倾向，在10个开源模型系列中发现后训练会把回复统一成标准英语，且DPO更新仍更偏好匹配英式、澳式拼写而非AAE和新加坡英语。作者提出校准化适配偏好对CAP，在完全开源模型上提升了未训练特征的收敛，未增加标准英语用户的方言输出，也未损害指令遵循；单边偏好对则靠过度迁就用户取得类似增益。
AI 选稿理由论文给出后训练各阶段对语言适配的系统观察，并提出可复现的偏好数据方法CAP，附有开源代码，适用于关注对齐与方言适配的研究者。
AI 导读研究团队用120种训练配置，系统考察持续预训练在数据量、数据多样性和模型规模三个维度上的影响：模型从0.8B到27B共四档，数据预算从50到1600小时共六档，数据混合从只用Minecraft扩展到多世界语料共五类。结果显示：数据越多，同语料世界内表现越好；多样性有助于迁移到相关世界，但对差距很大的世界提升有限；单一世界训练下，增大模型能提高数据效率，但对远处世界的泛化反而更差。作者还拟合了验证损失与这三个变量之间的经验扩展律。模型在3D世界中与Minecraft专家模型和前沿模型水平相当。作者指出，仅靠持续预训练仍不足以构建通用具身智能体。
AI 选稿理由用120组受控实验给出数据量、多样性、模型规模对虚拟世界具身预训练的扩展律与泛化边界，结论可用于设计训练阶段。
AI 导读研究团队提出Policy-Mask方法，通过预算条件策略联合选择时间步、网络块和通道子集，解决了冻结扩散模型特征选择难题。在分割、分类和语义对应任务中，该方法在相同预算下优于固定提取和特征过滤基线，在ADE20K上达到38.9 mIoU，CIFAR-100上达到75.4% top-1准确率，SPair-71k上达到76.3 PCK@0.1。研究发现256个保留通道是实际操作点，并将方法扩展到PixArt-Σ和SD3.5 MMDiT等扩散变压器。
AI 选稿理由Policy-Mask通过联合优化特征选择参数，显著提升了扩散模型在判别任务中的性能，并确定了实际操作点。
AI 导读研究团队提出 Agent4Sci，用作长期测试平台，覆盖 11 个领域的 20 个科学 ML 基准，重点考察 Agent 在真实条件下能改进已发表最佳模型多少，以及会在哪里失败。结果显示，前沿 Agent 在每个基准上都有提升，其中 Claude Opus 的平均相对改进为 10.4%，且没有运行被标记为学术不端；但这些提升主要来自 ML 工程技巧，而不是研究级洞察。轨迹分析指出三类问题：新颖性判断失准、资源利用不足，以及很快退化为局部工程搜索。加入研究构思、实验管理和定时检查清单等轻量插件技能后，Claude Opus 提升到 20.1%，Codex 从 4.4% 提升到 8.1%。代码和数据已在 GitHub 与 Hugging Face 公开。
AI 选稿理由Agent4Sci 用 11 个领域 20 个基准实测前沿 Agent 对已发表最佳模型的改进幅度，并给出插件技能将 Claude Opus 从 10.4% 提到 20.1% 的可复用方法，同时限定在科学 ML 基准范围内。
AI 导读研究提出MultiAgent-OPD方法，结合在线策略蒸馏与强化学习，实现Leader-Searcher-Answerer团队的端到端联合训练。在七个数据集上，该方法达到38.68%的宏平均@4准确率，超过Prompted Critic 4.06个百分点，比级联多智能体系统C-MAS + RL高2.61个百分点，且团队在四次尝试内能解决更多问题。
AI 选稿理由MultiAgent-OPD通过在线策略蒸馏与强化学习结合，解决了分层多智能体系统中子代理间接反馈问题，在七个数据集上显著提升性能。
AI 导读MIT、波士顿儿童医院和Inria研究人员开发了E(3)-Pose深度学习模型，通过将胎儿头部左右对称性原理融入神经网络架构，解决了胎儿在MRI扫描中移动导致的图像切片角度不一致问题。该模型能捕捉胎儿运动时的高分辨率头部图像，帮助放射科医生更准确诊断脑部异常，有望替代当前缓慢的手动胎儿脑部MRI扫描过程。
AI 选稿理由解决了胎儿MRI扫描中因运动导致的图像不完整问题，通过物理原理嵌入模型提高诊断准确性，可应用于早期胎儿脑部异常检测。
AI 导读该研究评估了CORNETO框架在多组学数据中学习生物网络的可重用性。研究发现，稳健的网络推断取决于数据可用性、先验知识、正则化和生物背景。这项工作揭示了不同条件下网络推断的稳健性差异。
AI 选稿理由该研究解决了生物网络推断中可重用性的关键问题，为不同数据条件下的网络分析提供了重要参考，有助于提高多组学数据分析的可靠性。
AI 导读前沿大语言模型被训练以逐步解决问题，生成人类可理解的推理文本。然而，这些推理标记并非大语言模型内部计算的准确解释，给模型监控带来了挑战。
AI 选稿理由研究揭示了推理大语言模型内部计算与外部推理文本之间的差异，为提高模型透明度和可监控性提供了新视角。
AI 导读研究提出 Bridged Self-Distillation（BSD）框架：外部教师只提供离线推理轨迹，作为特权上下文；学生模型自身在无上下文条件下生成 rollout，再由同一学生的上下文条件副本充当自教师，在学生自身词表空间为这些 rollout 打分，并结合验证器结果信号调整失败轨迹的更新。由于教师只需输出文本，该方法统一适用于共享词表、跨词表和闭源 API 教师场景，在各类场景中均优于基线和专用方法，代码已开源。
AI 选稿理由提出一种只依赖教师文本输出的统一在线蒸馏框架，覆盖跨词表和闭源API教师等此前需分别处理的情形，并公开代码，适用于研究蒸馏方法者参考。
AI 导读研究分析了两个扩散模型在10项任务中的表现，发现模型生成每个token所需的前向传递次数因任务而异：复制或轻度编辑文本成本低，开放式写作成本高。输出中相对于输入的新内容比例和词的稀有性是影响成本的关键因素。多语言生成中，高token化语言需要更多传递次数。此外，错误答案比正确答案需要更多传递，按解码速度加权候选答案比多数投票高4.2分。
AI 选稿理由研究揭示了扩散语言模型计算效率与输出内容创新度之间的关系，为优化推理效率和可靠性提供了实用信号。
AI 导读论文提出 TokenGate，一个可即插即用的小型组件，通过 token 重要性分数重加权注意力 logits 的“token 门控注意力”机制，实现长上下文输入端到端可学习的 token 剪枝，缓解模型逐层处理全部 token 的成本。实验显示其在不损失精度的前提下将首 token 时间（TTFT）提升 1.4–11.3 倍、峰值内存降低 1.5–3.4 倍；相比此前最优 token 剪枝方法，预填充最快提升 6.4 倍、内存降低 2 倍。该方法可扩展至 Qwen3 等标准 transformer 与 Qwen3.5 等混合注意力模型，代码已开源。
AI 选稿理由提出可端到端训练的 token 剪枝组件 TokenGate，在不损失精度下将长上下文 TTFT 提速 1.4–11.3 倍、峰值内存降低 1.5–3.4 倍，并覆盖标准与混合注意力模型，代码开源。
AI 导读针对数据湖分析中的编码代理每回答一个问题就丢弃工作、下题从头再来的问题，研究者提出无监督工具进化方法 TEAL：由 Explorer 从数据湖、Critic 从 Worker 轨迹分别提出工具，只有 Worker 重跑时无需额外步骤即可采用、且答案变化有轨迹证据支持才保留。在 KramaBench 和 LakeQA 上，10 或 15 步预算下四个 Worker 模型均有提升；Sonnet-5 在 15 步时分别提升 9.3 和 21.7 分。TEAL-Q 用合成问题进化的工具库与真实问题效果相当。
AI 选稿理由论文给出无标注工具进化的具体方法及在 KramaBench、LakeQA 两个基准、四个 Worker 模型上的步数预算实验结果，需保留其无监督设定和预算条件。
AI 导读论文提出 PhysSkin++，从静态几何学习连续的神经蒙皮场，构建紧凑的形变子空间。其神经蒙皮场自编码器无需逐物体训练即可预测依赖形状的子空间，并用物理信息自监督学习替代仿真轨迹，结合蒙皮场归一化与冲突感知梯度修正来稳定联合优化。该方法支持带用户控制与接触的降阶动力学，可直接绑定网格、点云和 3D Gaussians；在给定 rig 动画时另用自监督互补目标学习弹性响应。实验显示，学到的蒙皮场能跨形状泛化，并实现实时降阶仿真。
AI 选稿理由提出不依赖逐物体训练和仿真轨迹的神经蒙皮场学习框架，可跨形状泛化到网格、点云与 3D Gaussians 并做实时降阶仿真，属图形学与物理动画方向的具体方法进展。
AI 导读研究团队提出VerifierBench基准，包含来自6个代理基准的222个任务和4,993个隐藏测试案例，用于评估LLM代理生成可执行验证器的能力。测试显示19个模型的归一化平衡准确率在10.6%至62.1%之间，生成的验证器在拒绝无效解决方案方面比接受有效解决方案更可靠，但存在过度限制验证的问题。
AI 选稿理由提供了首个针对LLM代理验证器生成的基准测试，揭示了验证器在拒绝无效解决方案时的过度限制问题，为改进代理输出验证提供了新方法。
AI 导读研究提出参考引导的流匹配框架StreamingSwap，通过Joint Rec-ID Loss按噪声水平平衡身份监督与隐空间重建，并借助Face-RoI Generation和Short-Context Rollout Training减少空间token与时间上下文长度。同时发布1000小时电影级训练数据及200条短视频、200条长视频评测集HumanFaceVid。实验显示单张RTX 4090上可达20 FPS，最长10分钟视频稳定生成。
AI 选稿理由提出面向实时流式视频换脸的完整方法与配套数据集HumanFaceVid，在单卡RTX 4090上实现20 FPS、10分钟长视频稳定生成，属于可复用的视频生成方法进展。
AI 导读论文评测4个模型家族的19个模型在8个多模态基准（9个评测切分）上的表现，每个模型回答29,386个问题，共558,334次模型-问题评测。逐题成对分析发现375个子任务-模型对组合呈逆向扩展，涉及4,342个独特查询（小模型答对而大模型答错），且在独立开发的架构间复现；13个子任务-数据集对跨多个家族出现逆向扩展，表明现象由任务驱动而非特定模型所致。受影响最严重的领域包括多图像空间推理、视觉感知和大学级STEM知识，部分准确率差距超过20个百分点，而图表理解相对稳健。
AI 选稿理由论文给出视觉语言模型在子任务层面逆向扩展的系统量化证据（19模型、558,334次评测、375个逆向扩展组合），并指出该现象跨架构复现、由任务驱动，提示模型选择应按任务区分。
AI 导读论文提出免训练方法SpecKCast：对扩散模型输出做二维离散余弦变换，用轻量卡尔曼滤波按噪声调度导出的频带时间坐标跟踪各系数，仅当预测不确定性超阈值时才评估Transformer。在FLUX.1-dev、Qwen-Image、Wan2.1-14B和HunyuanVideo上，该方法在加速与保真度的权衡上优于现有缓存与预测方法，最高实现6倍加速，额外内存不足0.05 GiB。
AI 选稿理由提出免训练的频域卡尔曼预测方法，在四个图像/视频扩散模型上以不足0.05 GiB额外内存实现最高6倍加速，优于现有特征缓存与外推方法。
AI 导读研究通过共享控制迷宫实验，探讨了语言模型代理在完成任务时与人类协作的效率。实验中，模型与人类在达到共同目标时，根据各自的优势进行协作，结果显示更强的单打独斗能力与选择性的人类参与相关。
AI 选稿理由研究揭示了模型在特定任务条件下与人类协作的效率，为AI协作提供了新的视角。
AI 导读研究提出自引导训练法 Swift，冻结一个早期检查点的弱去噪器，把干净回归目标朝远离其预测的方向外推，放大欠拟合分量；主模型不反传、推理不加引导。CIFAR-10 与 ImageNet-256 上跨模型规模均有提升，某 ImageNet-256 配置下用约一半总训练算力超过基线最佳 FID；RAEv2 上无引导 FID 1.15、加引导 0.99。作者给出 RKHS 有限时间梯度流谱分析，证明适当外推强度可降低后验均值误差。
AI 选稿理由给出无需推理开销的扩散训练新方法与理论、实验证据，属可复用训练方法但尚待更大规模验证。
AI 导读针对共享团队奖励难以追溯责任的问题，论文提出GRSE（Group-Relative Skill Evolution）：同一问题在相同技能库下多次执行，对比结果来为智能体—技能对分配行为信用，并结构化诊断失败。在HotpotQA和LoCoMo上（两个开源权重模型），GRSE优于MASkills，多跳问题F1分别提升6.7和3.2；增益来自更有依据的检索，学到的技能可跨多跳任务迁移。面对被植入有害技能的库，GRSE正确判定每个植入技能的符号并恢复到干净库+6.3分，MASkills误判两个且低于起点。
AI 选稿理由提出按组内执行对比分配技能信用而非按是否出现计功，在两数据集多跳任务上提升F1并用植入有害技能实验验证纠错方向。