HMT 
本期五项研究介绍引用裁判、表格水印、拍卖式任务分配、低精度训练冻结与编码规范恢复。
1. 引用核验：裁判能力与方向性偏差需要同时比较
Do You Need a Frontier Model as a Citation Verifier? Benchmarking Rubric LLMs for Deep-Research Source Attribution · v1 提交 2026-07-09 · 全文 · PDF
引文有链接，不代表链接支持声明。本文将核验拆为来源相关性、事实支持与另行确定的链接可访问性。基准是一份跨 25 主题的对抗性长报告，抽出 624 个声明—引用单元，形成 1,248 个模型判断；六模型委员会先给标签，全部由人复核，其中 378 个分歧决定重点裁决。最终比较八个裁判、三个模型家族，不要混淆初始委员会与受评模型数量。
GPT-5-mini 的来源相关性 pass-class F1 为 0.908，Cohen’s κ 为 0.636。事实支持的区间互相重叠，不能据此宣布唯一显著赢家；F1 接近时，放行率漂移、假阳性和假阴性仍可不同。图 1 是基准构建流程，不是成本排名图。
我的判断是，裁判选型要考虑哪类错误更不能接受，再在自身领域校准。将带方向性偏差的裁判作为强化学习奖励，可能持续放大该偏差。数据仍仅来自一份长报告，部分受评模型参与初始委员会，即使有人审也不保证完全无偏；相关性、支持关系、可访问性应分别保存，不能生成永久的便宜模型排行榜。
原文：Ethan Leung、Elias Lumer、Corey Feld、Austin Huber、Vamse Kumar Subbiah、Kevin Paul，arXiv:2607.08700v1，Figure 1 基准构建流程，PDF 第 4 页。原始来源 · CC BY 4.0。裁剪自原文。
图｜Leung, Ethan 等，Table 2（PDF 第 6 页），CC BY 4.0。裁剪自原文。
2. RaMark：让表格水印随生成分布一起被学习
RaMark 将正弦依赖嵌入生成表格的数据分布，目标是让下游生成器重训后仍带有可检测信号。检测阶段判断是否存在水印，追踪阶段再区分数据所有者；训练生成后再清洗不再是唯一需要防御的情形。
两种数据集、十万所有者模拟中，Higgs Small 经 TabDDPM 重训后的检测 AUC 为 1.00，TabDiff 为 0.98，TVAE 则降至 0.79。实验限制嵌入带来的下游效用损失不超过 1%，并用分类 F1 或回归 R² 衡量效用；这些指标无法覆盖数据的全部用途。水印可检测性不是隐私保证，也不是对任意重训模型都不可移除。
RaMark: Radioactive Watermarking for Generated Tabular Data · v1。
3. Agora：按校准能力和成本分配推理步骤
Agora 把推理步骤作为拍卖任务，候选模型或工具以校准后的胜任度参与分配，成本惩罚控制质量与费用的取舍。可用可靠任务分解时直接使用现成子问题，只在需要时调用规划器，避免把拆解质量和路由能力混成一个因素。
相同候选池的质量优先设置中，MuSiQue F1 为 54.3，1NN 路由为 54.1，差距很小；MMLU-Pro 为 71.9%，最强单后端为 68.1%。SciCode 子问题通过率 44.4% 并未超过一致性级联的 45.4%。不同任务的候选池和分解协议不同，拍卖机制的收益取决于能力校准能否区分当前领域的专家。
Agora: Enhancing LLM Agent Reasoning Via Auction-Based Task Allocation · v1。
4. Silent Freeze：梯度还在，权重却已经无法改变
研究指出，当更新小于存储权重的半个 ULP，确定性舍入会把更新抹掉，导致非零梯度下坐标仍被冻结。作者从高精度参考轨迹与尾数长度预测冻结时间，并比较普通舍入与随机舍入，区分精度网格限制和一般优化噪声。
无主权重、bf16 等效存储的 0.8M 字符 GPT，两种子在 3,000 步中的第 1,644、1,666 步进入持续冻结，预测误差不超过四步；124M GPT-2 若每步直接压到 fp8 网格，密集权重可从初始化就冻结。关键条件是无高精度主权重及指定舍入方式，不能泛化成所有混合精度或 fp8 训练必然停止学习。
The Silent Freeze: Predicting When Low-Precision Training Stops Learning · v1。
5. AfterVibe：把编码对话还原为能重新实现的规范
AfterVibe 从代码工件与产生它的对话提取自然语言规范，再交给看不到原实现的独立 Agent 重写，以多层验证器比较行为与参考实现。失败反馈用于强化规范，目标是保留开发意图，而不是把源代码换一种形式复述。
72 个企业内部编码项目的初始重建评分为 5.06/6，直接采用人工标题、描述和测试计划为 4.23。排除四项空基线后，68 项的逐任务 best-of 多轮结果为 5.74，既不是每轮都进步，也不是 95.7% 的任务全通过。规范仍含部分原实现标识符，评测也依赖再生 Agent 与验证器，抽象性和行为一致性需要同时衡量。