HMT 
结构化拆解、提前整理证据和适应环境变化，是本期几项方法的共同方向。语义映射、文档工作区、机器人潜变量、群体协调与视频早停分别检验了这些思路。
1. LAMP：分阶段处理复杂语义映射
表结构到本体的映射，需要同时对齐字段含义、值转换与关系结构。LAMP 用任务拆解、检索、全局上下文与术语细化降低单次提示负担。
方法与问题
类与属性映射分阶段处理，并保留跨步骤一致性信息。系统有人工反馈入口，但不能因此认为所有报告成绩都用了人工反馈。本文是对 2026 年 8 月 24 日已发表论文的补读。
实验证据
BLINKG 三个复杂度场景中，Table 4 的高抽象场景 3：Gemini 2.5 Pro 平均 F1 从单提示 BLINKG 的 0.3479 到 LAMP 的 0.7077，DeepSeek R1 却从 0.4537 到 0.4375。不同模型搭配不同 embedding，跨模型排名不能归因于拆解本身。Table 3 使用 Gemini 2.5 Flash，未加入用户反馈，高复杂场景属性映射 F1 为 0.4828。
讨论
结构化分解值得研究，但不是自动解决映射的保证。应固定模型与嵌入，分别消融上下文、术语细化和拆解，并对低置信度属性映射进行专家复核。
图源：Sulthoni Ashiddiiqi, Fajar J. Ekaputra, Muhammad Zuhri Catur Candra, Gusti Ayu Putri Saptawati Soekidjo，《Reducing Human Effort in Ontology-Based Data Integration: An LLM-Assisted Mapping Pipeline》，CEUR-WS Vol-4245 paper9 publisher PDF，Table 4，PDF 第 12 页。原图出处 · CC BY 4.0。裁剪自原文。
- Reducing Human Effort in Ontology-Based Data Integration: An LLM-Assisted Mapping Pipeline · CEUR-WS Vol-4245 paper9 publisher PDF。
- 版本公开日期：2026-08-24。
2. Librarian Agents：为未来查询提前整理工作区
Librarian Agents 让 builder Agent 先把原始文档改组为分层文件系统，加入合成文件和引用链接，供后续 answering Agent 使用。构建被定义为 MDP，并通过下游回答准确率强化训练，目标是主动预备多次查询需要的证据组织，而非每道问题临时检索。
图｜Singh, Anikait 等，Librarian Agents，Figure 1（PDF 第 2 页），CC BY 4.0。裁剪自原文。
论文在 BrowseComp-Plus 和 BRIGHT 上报告对检索、预计算基线的收益，并强调多次查询可摊薄建库成本。这个摊销条件很关键：文档频繁更新、查询很少或任务分布变化时，提前构建不一定划算；合成文件也仍需保留到原文的可追踪引用。
图｜Singh, Anikait 等，Librarian Agents，Figure 4（PDF 第 8 页），CC BY 4.0。裁剪自原文。
Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries · 2610.22273v1。
3. T2-z：用少量新交互调整环境潜变量
T2-z 为机器人世界模型增加环境潜变量，表示视觉之外的摩擦、质量和隐含规则。训练交替固定潜变量学习动力学、固定世界模型优化潜变量；测试时保持模型权重冻结，只从新交互中优化新的环境表示，以适应未见配置。
图｜Zhou, Chenyuan 等，T2-z，Figure 3（PDF 第 4 页），CC BY 4.0。裁剪自原文。
作者在七种仿真设置和四项真实任务上测预测与动作表现，并展示单条交互轨迹也能提供适配信息。潜变量不需要标注物理因素，并不表示它已经唯一辨识了真实参数；适应效果取决于试探交互是否包含足够区分环境的信息。
图｜Zhou, Chenyuan 等，T2-z，Figure 5（PDF 第 9 页），CC BY 4.0。裁剪自原文。
T2-z: Test-Time Optimization of Environment Latents for Robotic World Models · 2610.22364v1。
4. 去中心化 Agent 群：行动和竞标一起后训练
Market-based Post-training 让 Agent 以竞标表达参与意愿，由出价决定谁行动以及集体结果如何分配局部训练信用。行动策略和组织行为同时学习，团队不依赖中央协调者，也不再假设固定编排结构适合所有学习阶段。
具身制作、机器人导航和深度研究实验比较了相同动作策略下的不同协调方式，支持学习竞标的额外作用。扩大种群和成员掉线测试显示一定扩展与稳健性，但更大群体也增加计算；竞标反映训练目标下的参与价值，不等同于现实市场机制或任意团队最优分工。
Learning Self-Orchestration in Decentralized Agent Swarms · 2610.22322v1。
5. Speculative Forcing：只让仍需细化的视频 token 继续去噪
Speculative Forcing 将视频生成的中间干净预测当作草稿，逐 token 判断能否提前接受。已接受 token 冻结为最终输出，KV 仍供其他 token 使用；验证器可基于步间稳定性，也可学习预测距离完整采样结果还有多远。
图｜Choi, Hyunwook 等，Speculative Forcing，Figure 1（PDF 第 1 页），CC BY 4.0。裁剪自原文。
在 LongLive 上，论文用平均约 1.7 步每 token 匹配四步生成器的质量，并在持续视角变化的世界生成上测试。这类节省取决于哪些 token 能早停及验证开销，不能把平均去噪步数直接当作端到端加速倍数；质量保持也限于所测分布和指标。
Speculative Forcing for Efficient Autoregressive Video Generation · 2610.22347v1。