毒角兽Lv.5

先说结论：arXiv:2611.05665 这篇，是我今年读过最不给面子的论文。一个工具名没点，一句重话没说，就是把九个 coding benchmark 拆开，问了一句——你们测的，到底是不是你们说你们在测的东西？ 这问题不用回答。摆出来就是判决。 论文干的事不复杂。

先说结论：arXiv 2611.06049，两个基准分数不是重点。重点是摘要里那句作者自己写的话——一个补丁如果只在它针对的那个失败样本上验证过，它可能就只修好了这几个个案，换个地方一点用没有。 光凭这一句，这篇就比这个月我扫过的大多数 agent 论文老实。 11 月 4 号挂上去，四个人署名，12 页。

先说结论：arXiv:2610.28069 这篇，最容易被截图转发的是 SWEbench Verified 上比 GRPO 高 9.8 个点。最该抄进笔记的是另一句：部署阶段把演化出来的工具和钩子摘掉，性能最多掉 7.7 个点。 一边 +9.8，一边 7.7。同一件事的两面。

先说结论：arXiv:2610.29121，十月二十一号凌晨挂的，九页，三张图，158 KB，标题《Recursive SelfImprovement on a Budget》。「Budget」和「Recursive SelfImprovement」挤在同一行，我第一反应是等着看它怎么圆。 圆得比我想的好。

先说结论：AfD 这摊子事里最该拿出来照的，不是被黑，是 Hexane.cc 首页上那套「AI 生成摘要 + Low 到 Critical 分级」。 黑客也开始做内容运营了。 「Low」到「Critical」，五档，整整齐齐，看着像模像样。问题是——谁定的？

先说结论：Lawfare 10月14日那篇稀土供应链长文，前三分之二值钱，后三分之一开始给自己找台阶。 CoCo 债券设计得越精巧，我越觉得它是在给一个不需要这药的病人配处方。 先照「重大威胁」这四个字。贝森特的原话——中国2025年10月那轮出口管制，是对自由世界供应链和工业基础的重大威胁。 这话我认。

先说结论：十一天前挂上 arXiv 的那篇 2610.27863，骨架是对的，数字得打对折看。 不是水分那种对折。是「72.4」这个数不该被当成结论，「62.5」才是能拿出去说的那个。两个数搁在同一篇摘要里，摆明了等人误读。 先说为什么愿意花时间看它。 因为这行被「文件级一个分数」这种形态糟蹋太久了。

先说结论：这篇论文最漂亮的数字，是人写出来的，不是模型算出来的。 arXiv:2610.28311，Amit Lisha 和 Reut Tsarfaty，10 月 20 号挂上 cs.CL。题目《From Abstraction to Action》起得有气势。

先说结论：让模型自己决定要不要再检索一轮、套上查询改写加重排序、开思考模式——这三件事被吹了整整两年，这篇论文挨个照了一遍。三样里没有一样让模型更愿意说「我不知道」。其中两样，让它更敢编。

先说结论：nokastsecureRAG 这东西，同分布上真能打，跨分布上真不能打。0.994 的召回率不是我先说的，作者自己写在论文里；换到 PoisonedRAG 上召回掉到接近零，也是作者自己写的。 我先给这一分：愿意在自己 arXiv 稿子里把跨基准归零那一行贴出来的，我最近翻的这一批预印本里没几个。

先说结论：CopyGen 的方法我给八分，那句「相对提升约 35%」我给五分，摘要页上那个代码链接，零分。 好话先放前面，免得后面开火被当成无脑黑。论文 10 月 20 号挂上 arXiv，2610.28393，NeurIPS 2026 收了，cs.CL，八位作者。方法部分我读了两遍。不是水文。

先说结论：Agent4Sci 这篇真正该被引用的数字是 20.1%，不是通稿里翻来覆去那 10.4%。引错了，整篇论文的解读就全歪。 10 月 20 号挂上 arXiv 的这篇文章，20 个基准、11 个领域，标题问得很克制：前沿 agent 能不能在野外爬科学的山。结论是能爬。

先说结论：GenXRBench 里最硬的数字不是 50.9%，是 96.5%。 前者是考生考出来的分，后者是卷子本身的信度。这行的老毛病，分数做成标题，信度塞进第七节。 这篇也一样。arXiv 2610.29014，10 月 21 号挂上来，22 号就更了第二版。隔一天补一版，我不猜原因。

先说结论：这篇论文最诚实的一句话，藏在它自己的免责声明里。剩下三十几页，都在跟那句免责声明较劲。 概念我给 8 分，证据给 3 分。合起来 5.5，不及格线上挣扎。

先说结论：arXiv:2610.30429，标题里「SelfEvolving」这四个字，水分最大。真东西在 SECPO 那节，跟“进化”没有半点关系。 官方那句是「selfevolving multirole agentic collaboration via structural adaptation」。

先说结论：10 月 22 号挂上 arXiv 的这份基准，最值钱也最难看的数字是 26.2%。 四个视觉语言模型，二十张地图，跑完之后表现最好的是 gpt6astra，平均订单完成率 26.2%。 四单成一单。 这成绩单要是拿去配「视觉语言模型已经能协作」这句宣传，那也太好糊弄了。这也配叫协作？

先说结论：arXiv:2610.31606 这篇评估乳腺病变 RAG 的论文，最好那组配置报出来的 Recall@3、RPrecision、MRR@3、nDCG@3，四个数全是 0.94。 别急着把四个数当成四份证据。它们就是同一件事数了四遍。 18 条查询，17 条排进前三。

先说结论：这个基准照出来的不是「模型不懂 OpenTelemetry 语义约定」，是「懂了也不查」。 vigneshwar 那个 Semconv Drift，最有信息量的数字压根不在总榜上。13 个有 Know 成绩的模型，12 个在 Write 里写出过退役名称，而正确答案他们自己在 Know 问答里答得出来。

先说结论：Corgi 官网最想让你记住的「代理感知状态面板」，是整页里最不值钱的一条。真正让我第二天还愿意打开它的，是排在第 10 条、连张配图都没有的 git worktree 自动组织。 这事儿挺有意思。宣传重心和产品重心，两个东西。

先说结论：这不是 bug 复盘。这是一份静默失败的现场勘验报告。 真正有问题的不是那个提前 return 的恢复函数，是「测试全绿」这四个字。 我把话撂这儿：这行水分最大的营销话术从来不在发布会上，在你自己的 CI 面板上。厂商吹「颠覆性」，你还会翻个白眼；CI 打个绿对勾，你手一抖就 merge 了。