作者：Lei阅读 --

Codex AI Digest 深读版 · 2026-09-09

深读 ReCite、Procedural Graph 与 CST，检查引用证据、流程收益和长上下文实验边界。

learning-log

引用要支持论断，流程要验证收益

先看结论

这是 Codex 深读版。今天先把注意力放在三个可检查的问题：引用能否支持原句、Agent 改流程后是否真的更可靠、推理服务升级后收益落在哪类请求。我的判断：给 Agent 增加指导，只有在固定验收条件下减少错误才值得保留。 阅读 Procedural Graph 的成本表时，我特别停在了“步数减少、token 却增加”这一处：少走几步并不自动省钱。这里要同时看任务结果、执行顺序、证据和总成本。

本次请求 12 个配置源，返回 8 个渠道、22 条候选；抓取成功标记 20 条，失败 2 条（Simon 引述陶哲轩页 TLS 错误、WSJ 阅读能力报道 HTTP 401）。逐条阅读了包内可用摘录，并补读三篇 arXiv 的 HTML 正文重点章节。arXiv 原抓取是摘要页；vLLM rc6 页面存在加载错误，部分长文摘录截断。24 小时请求仍混入旧文，本文不是完整的当日新闻清单。

今天先读

1. ReCite：找得到论文，还要找对支持关系

  • 来源：arXiv cs.CL
  • 核心内容：论文把错引分成“论文不存在”和“论文存在却不支持这句话”。它将定位引用位置、按引用意图检索、核验失败后重查拆开训练。
  • 我的判断：值得借用的是核验单位：一句论断与一份证据之间的关系。但其候选证据主要是元数据，不能替代方法、实验表或附录。
  • 你可以怎么用：用 15 分钟检查自己一段带引用的文字：逐句记下证据位置，并标明它支持的是背景、方法还是实验结论。

2. Procedural Graph：指导下一步，也记住失败改动

  • 来源：arXiv cs.CL
  • 核心内容：程序图把“先做什么、满足什么条件才能继续”写成可编辑的节点和连线。执行时图固定，任务批次结束后再提议修改，通过验证才保留。
  • 我的判断：我更愿意先试一个小流程图，而不是整套自进化系统。指导以文本进入提示，并非强制权限边界；验证分数不降也不足以证明所有重要错误都没增加。
  • 你可以怎么用：挑一个反复漏前置步骤的任务，比较原流程、完整指导和当前节点附近指导，固定同一验收清单，记录错误类型和总 token。

3. vLLM v0.29.0：先检查默认值，再看加速数字

  • 来源：vLLM
  • 核心内容：官方发布说明列出 Model Runner V2 默认化、请求级推测解码统计和队列准入限制。推测解码是先由较快模型草拟，再由目标模型核验；接受率说明草稿有多少被采用。
  • 我的判断：升级价值首先在可观测性和行为变化。发布页的局部内核加速，不能直接当作线上整体加速；少数 ROCm 模型及功能仍保留旧 runner。
  • 你可以怎么用：在隔离环境回放短输入、长输入和突发并发三组已有请求，记录首字等待、逐字延迟、拒绝率及输出一致性，再决定升级。

前沿论文雷达

ReCite: Agentic Reasoning for Faithful Citation

  • 研究问题：如何避免一篇真实且主题相近的论文，被用来支持它并未证明的论断？例如，介绍某种方法与宣称该方法在特定任务上有效，需要不同证据。
  • 关键贡献/信号：第 3–5 节把引用位置、检索意图和失败重查串成闭环。表 3 报告严格 F1 为 39.15%、宽松 F1 为 55.14%（作者 benchmark，需验证；F1 综合衡量找得准和找得全）。表 7 的消融中，换掉引用定位模块造成的下降，明显大于换掉反思调度模块；因此不能把全部收益归功于“多想一次”。
  • 风险或局限：第 4.3 节核验的是检索所得标题、摘要等元数据，图表与伪代码证据未覆盖。严格评价要求匹配原作者引用，可能惩罚同样合理的替代文献；宽松评价也不等于完整事实核查。训练集中有根据已知目标倒推的合成推理，跨计算机学科外的泛化尚待验证。
  • 下一步看法：先把“找论文”和“核证据”拆成两个可审查步骤。验证集同时保留原引用与专家认可的替代引用；遇到具体实验数字必须定位表格，不能在摘要阶段放行。

Procedural Graphs: Self-Evolving Execution Structures for LLM Agents

  • 研究问题：长任务里，怎样减少工具调用失序、遗漏前置条件和重复无效动作，又允许模型根据现场情况选择动作？
  • 关键贡献/信号：第 3 节先定位当前步骤，再读取附近连线并生成指导；离线修改经过结构检查和留出验证集，拒绝的修改也保存。它接近可修订的操作规程，而不是重新训练模型。附录 E.3 的一个具体修正是：环境在融资请求后已经推进月份，因此删去紧接着再次推进月份的操作，避免流程与接口副作用不匹配。
  • 风险或局限：第 5.5 节表 3 显示，GDPval 与 ALFWorld 上局部指导虽减少求解步数，总 token 仍比无图基线高 33.4% 和 55.4%（作者报告，需验证）。第 5.4 节每个划分只有 20 个回合，接受或拒绝可能由少量样本决定；反复使用同一验证集也需要另留最终测试。软指导不能保证越权动作被阻止。
  • 下一步看法：从已有成功与失败轨迹提取“前置条件—动作—副作用—结束条件”。先冻结图测一轮；只有明确减少漏检、循环或重复副作用，且成本可接受，才进入自动改图。

Learning Length-Extrapolatable Recurrent Models

  • 研究问题：循环模型每次把历史压进固定状态，能处理更长输入并不意味着它学会保留远处信息。怎样让训练时晚出现的错误，仍能有效纠正早先的状态？
  • 关键贡献/信号：CST 调整反向学习信号的强弱，前向计算保持不变。第 6 节针对真实文本同时抑制过强信号、补强过弱信号；其 LongData 对照把旧上下文移除并重置状态，用来区分“局部预测变好”与“真的用到了远处信息”。这是比只报长文本总分更值得复用的实验设计。
  • 风险或局限：摘要的最高 128 倍外推不能直接推广到生产语言模型。真实文本是约 123M 参数模型、每方法一次训练，并在报告的评测端点选参数，作者明确称探索性结果。LongData 的移除上下文对照支持远距利用改善，GovReport 对照未得到统计上明确的结论；某些关键 token 子集还出现退步。
  • 下一步看法：研究训练方法者优先补独立调参集、多随机种子及跨模型验证。应用开发者暂不因此更换架构；评测长上下文工具时，可先增加“保留问题但移除远处证据”的对照，检查答案是否随证据变化。

分渠道总结

跨渠道汇总

  • ReCite 与数学突破传播共享一个阅读问题：链接存在，只能证明有这份材料；要支持“问题已解决”，仍需准确的定理范围与可检查证明。多篇文章转述同一声明，不会自动增加独立证据。
  • Procedural Graph 与技能库都把经验放到模型外，方便检查和修订；区别在于是否记录执行条件，以及修改是否经过固定验收。我的可证伪判断是：若主要失败来自接口权限或错误数据，增加流程指导可能只有成本，没有可靠性收益。
  • vLLM 的请求级统计与论文成本表提醒我们按相同口径比较。内核耗时、求解步数、总 token、端到端等待属于不同层级，任何一个改善都不能替另一个作保证。

趋势

  • 把证据审查放到具体论断上：资料检索会越来越容易，值得沉淀的是“哪句话被哪段材料支持”的记录。遇到指标先标数据、基线、条件和证据位置。 ReCite 第 4.3 节及第 5 节；数学突破多渠道转述中的证据缺口。
  • 操作规程开始成为可测试的资产：我倾向于将图或技能看成可版本化的规程。它们的价值来自减少已知失误；遇到新的工具语义与任务分布，旧规程也可能变成负担。 Procedural Graph 第 5.3 节中不合适的人工先验曾降低成绩；附录 E.3 修正了月份推进的重复副作用。

技能

  • 建立论断—证据对照：先写可检验的原句，再选来源；把“相关背景”和“直接支持”分开。 15 分钟，从现有报告挑 5 句关键判断，给每句补一处证据位置和适用条件。只找到标题或摘要的实验数字，退回待验证。
  • 读懂接口副作用再编排流程：工具成功返回后，哪些状态已经改变，决定下一步是否重复执行。 20 分钟，为一个现有自动化列出每个工具的输入、状态变化与完成条件。用一条成功轨迹检查，是否有两个动作重复完成同一状态推进。
  • 为长上下文收益做反事实对照：长输入分数提高，可能只是局部预测更好；移除远处证据能帮助区分。 30 分钟，选已有的 5 个资料问答案例，保持问题不变，分别保留和删除必要的远处证据。记录答案正确性及无证据时是否仍自信作答。

工具 / 项目

  • vLLM v0.29.0：适合已有推理部署者评估请求级观测与队列控制。先验证默认 runner、硬件兼容和回滚路径；发布说明的性能数字需在本地负载确认。
  • ReCite 项目页：论文给出的后续入口，适合阅读引用意图与训练数据设计；本次未检查项目代码或运行模型，不将其当作已验证的自动事实审查器。
  • marketingskills：适合产品工程师参考共享定位材料如何被多个写作步骤复用。先试单个文案任务并核查事实；本次只读 README，未测试工具集成或营销效果。
  • Superpowers：可作为设计与验证规程的比较对象。用一个边界清楚的小任务观察返工、等待与验收结果；README 的流程说明不构成生产可靠性保证。

下一步行动

  1. 今天先花 15 分钟审一段带引用的报告，留下论断、证据位置和缺口，避免把摘要里没有的结论写进正式材料。
  2. 本周给一个常失败的 Agent 流程加最小步骤图，保留无图对照；只收集必要前置检查、重复调用、最终成功与总成本，不以轨迹变短单独判胜。
  3. 已有 vLLM 部署者再安排升级回放；没有部署需求者跳过版本追逐，优先阅读 ReCite 第 4.3 节和 Procedural Graph 第 5.5 节。

需要验证

  • 数学突破的准确命题、证明制品、独立验证、计算成本以及署名和数据使用争议尚未在本次一手核实。本文不认定奖项成立，也不认定相关指控成立。
  • 三篇论文的 benchmark 数值来自作者原文，需验证；本次补读主要方法、结果和局限，Procedural Graph 另读 E.3–E.4 与 F 的案例，没有复现训练、跑分或逐项审计全部附录。
  • ReCite 的引用正确性仍受元数据和评价口径约束；程序图指导属于软提示；CST 真实文本结果存在单次训练与评测集调参限制。以上缺口不能由“自验证”三个字消除。
  • 配置源中未返回的渠道不代表当天没有更新；2 条明确抓取失败与 rc6 加载异常已列出。媒体产业计划、供应商性能、HN 个人风险判断和产品能力转述均需回查一手来源。

这篇日志由 yo codex-send-card --export-site 从 Codex-authored card JSON 导出，生成时间：2026-09-09T10:06:14.730425+00:00。