锐Owl 雷达 · 2026-10-16：两台桌面 Mac Studio 跑 816B 开放权重 / 可解释性经典证据被指读错 / 纳维-斯托克斯再反转

本期覆盖 2026-10-15 18:00 → 2026-10-16 18:00（北京时间）。今天五条都撞在同一件事上：旧尺子量不出新东西。Meta 把 816B 总参 / 42B 激活、1M 上下文的开放权重压进两台桌面 Mac Studio，官方称这是同类里第一个能在桌面上跑的（①）；Goodfire 一篇长文说，可解释性领域二十年来最核心的证据——「神经元被缠成一团、必须先用 SAE 拆开」——其实是读错了，网络本来就是干净的（②）；纳维-斯托克斯那件事又反转一次：OpenAI 那份证明根本没走外界以为的「西班牙路线」，而 OpenAI 自己也没搞懂它（③）；一篇 agentic RL 论文发现，训练还在按「单会话」记分，而真实 harness 早已在压缩上下文、开子 agent（④）；另一篇基准论文给出反面证据——长上下文的难度不在长度，在证据散得多开（⑤）。本期 5 条。

① Meta 开源 Muse Spark Open：816B 总参 / 42B 激活、1M 上下文，官方称两台 M5 Ultra Mac Studio 就能在桌面上跑（Meta 官方 2026-10-15）

权重发出来这一天，Meta 把「前沿模型」的门槛从机房挪到了桌面。 Meta AI Research 于 2026-10-15 发布官方博文《Introducing Muse Spark Open, The Most Capable US Open‑Weight Model to Date》，放出 Muse Spark Open 权重：816B 总参数 / 42B 激活（MoE）、原生多模态（Hugging Face 的 pipeline_tag 为 image-text-to-text）、1M token 上下文窗口，官方定位是「built for coding and agentic work」，主打长时程任务、复杂软件工程与多步推理。官方最用力的一句是桌面可跑：Muse Spark Open 是同类中第一个能在桌面上运行的模型，方式是两台 Apple M5 Ultra Mac Studio + 最新 MLX；理由写在正文里——Apple 的统一内存让 M5 Ultra 单机的集成 GPU 可用 512 GB，所以两台机器能装下一整个模型（约合 1 TB 统一内存），而 1.2 TB/s 的内存带宽「快到足够读出每个 token 需要的那一小片」。发布的工程面也给得很细：随权重放出在 SGLang 里自动调优的 Helion GPU kernel，官方称在 NVIDIA 与 AMD 上取得 1.03–3.95× 的 kernel 级加速、AMD MI350 上端到端 3%；权重分发在 Amazon SageMaker AI、Google Cloud Model Garden、Hugging Face、Microsoft Foundry，托管推理在 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter、Together AI 七家；推理引擎 day-one 覆盖 SGLang、vLLM、TensorRT-LLM、HF Transformers、Apple MLX、llama.cpp、Unsloth，并针对 AMD / Apple / Intel / NVIDIA 做了优化；想再微调走 PyTorch 的 TorchTitan。官方给的使用案例两个：Muse Code 驱动该模型全本地跑通真实 iOS 改动（开源 Mastodon 客户端 Ice Cubes 的 bug 修复与新功能，含完整构建），以及端到端驱动 DaVinci Resolve——逐帧审片挑出最强镜头并做竖版裁切。安全侧写明做了额外的安全后训练，按 Meta Superintelligence Scaling Framework 评估、称达到其发布阈值，细节在模型卡、完整评测报告标注 "available soon"。许可必须点明：Muse Model License（带有限商用条款），不是 Apache/MIT（HF 仓库标签为 license:other），且模型仓是 gated: manual（需申请授权才能拿权重）。我们核到的生态时延：HF 上 meta-models/Muse-Spark-Open-816B-A42B 主仓 349 赞 / 402 下载（仓库 createdAt 是 2026-09-15T19:23:19Z，说明私有仓早已存在、lastModified 2026-10-15T15:46:43Z），同族 NVFP4 版 126 赞 / 331 下载；mlx-community 在 10-15 的 17:21Z / 17:31Z / 17:42Z / 17:50Z 连发 3bit、4bit、oQ3e、oQ4e 四个量化版（半小时内），ggml-org 的 GGUF 在 10-14T22:15Z、Intel 的 INT4/MXFP4 在 10-14、AMD Quark 的 MXFP4/FP8 在 09-18 就位。⚠️ 官方页面的 Key Benchmarks 段是图表（HTML 文本里没有任何分数数字），我们只拿到了标注为 October 2026 的《Muse Spark Open Evaluation Methodology》PDF（333,392 B，直读全文，只有方法学、没有分数）：分数按来源逐项标注——官方榜 / Artificial Analysis / 厂商自报三种；对比模型含 Kimi K3、GLM 5.3、Qwen3.8-2.4T-A95B、Nemotron 3 Ultra、Inkling，以及 Beam 与 Mistral Large 4（两者权重当时未广泛可得，直接引其自报与 Artificial Analysis）；Muse Spark Open 自身跑 reasoning effort = xhigh (512)、temperature 1.0、top_p 1.0；OSWorld-Verified 按各家原生坐标约定分别跑（自己收 1920×1080 出归一化 0–1000 坐标，Inkling 收 2048×1152 绝对像素再映射回native），每任务四次取均值；HLE 的 "with tools" 自家跑法拉黑 huggingface.co、kaggle.com、paperswithcode.com、lmsys.org。HN 上该帖 816 分 / 405 评论 / 2026-10-15T17:47:39Z（= 北京 10-16 01:47）。

认知价值：① 这条最硬的一句是「两台桌面机 = 一台 1TB 统一内存的机器」。 816B/42B 这类稀疏 MoE 的推理瓶颈不在算力，在内存容量与带宽：把权重放下、每 token 只读一小片。Apple 统一内存 + MLX 正好卡在这个点上，于是「跑前沿权重」的判据从租多少张卡变成单机内存够不够大、带宽够不够读——对拿不到卡、又不想把代码和数据交给云的人来说，这是第一条不靠云的路径。同时要把话说全：两台 M5 Ultra Mac Studio 的价格远高于一张 4090，赢的是可得性，不是性价比（这条与我们自己的本地方案选型同构：先问「能不能跑」，再问「划不划算」）。② 官方这次最值得抄的是评测的账目透明。 「自算 / 引榜 / 厂商自报」逐项标出，还主动声明「我们的 harness 与系统提示没有为第三方模型调过，可能不代表它们的最佳表现」，并写明两台权重未到手的模型（Beam、Mistral Large 4）只能引自报——这与 10-14 ① Gemini 4 Argon 的评测方法学页是同一种做法，正在从「诚实加分项」变成前沿发布的事实标准；更细的一手细节还有两条：按各模型原生坐标约定分别跑 GUI 基准（避免用自己的坐标系把别人测坏），以及带工具评测里把 Hugging Face / Kaggle / Papers with Code / LMSYS 拉黑（不让模型去题库里翻答案）。这两条我们做横评时可以直接抄。③ 判据陷阱：看不到分数就不写分数。 官方 Benchmarks 段是图，我们只拿到方法学 PDF，所以本条不转述任何基准数字——要引分数得等评测报告或第三方（Artificial Analysis 之类）。「厂商说自己是同类最强」这句在一手里是宣称，不是结论。④ 生态信号：权重发布 → 社区可跑的时延已压到小时级。 半小时内四套 MLX 量化、两天内 GGUF / Intel / AMD 量化全到位、HF 主仓 349 赞——开源前沿权重的「可跑性窗口」越来越短。对我们排期是直接提示：本地评测的窗口在发布当天就打开，晚了就得和全世界的量化踩坑者抢同一份 issue 列表。 ⑤ 读法纪律：发布事实、规格、分发与引擎清单、MLX 桌面口径、许可类型、评测方法学均为官方页面与 PDF 直读（🟢），HF 赞数/下载/量化版本时间戳为 hf-mirror API 直读（🟢）；但所有能力与性能宣称（含 "most capable US open-weight model"、Helion kernel 1.03–3.95×、3% e2e）都是 Meta 自测、分数未以文本给出，故整条按 🟡 记。另需注意许可非 Apache/MIT，商用前要读条款。

领域：industry-model ｜ 去向：feeds（喂养本地/端侧评测线：与 10-15 ③ LFM2.5-24B-A2B、10-14 ③ MiniCPM-V 4.7、10-14 ⑤ 闲置 Apple Silicon 联邦并列成「端侧四种形态」；816B/42B 是这条线上第一个「桌面级前沿权重」对照臂，可直接进 cloud-gpu-benchmark 做一次「两台 M5 Ultra vs 单卡 B300」的每 token 成本对照）｜ 等级：🟡

来源：🟢 一手已核（10-16 直读官方博文 HTML，124,726 B）https://research.meta.ai/blog/muse-spark-open 《Introducing Muse Spark Open, The Most Capable US Open‑Weight Model to Date》October 15, 2026 · 4 minute read（原文含：816B total / 42B active、natively multimodal、1M-token context、"the first model in its class to run on your desktop using two Apple M5 Ultra Mac Studios with the latest MLX framework"、单机 512 GB 统一内存与 1.2 TB/s 带宽、Helion kernel 1.03–3.95× 与 AMD MI350 端到端 3%、七家托管伙伴与四个权重分发渠道、七个推理引擎、"Muse Model License with limited commercial terms"、额外安全后训练与 Meta Superintelligence Scaling Framework、Muse Code 改 Ice Cubes 与 DaVinci Resolve 逐帧审片案例）｜🟢 一手已核评测方法学 PDF（直读全文，333,392 B，content-type: application/pdf）https://research.meta.ai/static/muse-spark-open-evaluation-methodology October 2026（只含方法学、无分数表；自算/引榜/自报三种来源逐项标注；Muse Spark Open = xhigh(512)、temp 1.0；OSWorld-Verified 按各家原生坐标约定分别跑、每任务四次取均值；HLE "with tools" 自家跑时 blocklist huggingface.co / kaggle.com / paperswithcode.com / lmsys.org；对比集含 Kimi K3 / GLM 5.3 / Qwen3.8-2.4T-A95B / Nemotron 3 Ultra / Inkling / Beam / Mistral Large 4）｜🟢 一手已核 HF（经 hf-mirror API）https://hf-mirror.com/api/models/meta-models/Muse-Spark-Open-816B-A42B （gated: manual、pipeline_tag: image-text-to-text、标签含 license:other、createdAt 2026-09-15T19:23:19Z / lastModified 2026-10-15T15:46:43Z、likes 349 / downloads 402）＋ 同族 NVFP4（126 赞 / 331 下载）＋ mlx-community 四版（3bit 10-15T17:21:22Z、4bit 17:31:27Z、oQ3e 17:42:46Z、oQ4e 17:50:36Z）＋ ggml-org GGUF（10-14T22:15:22Z）＋ intel-ai INT4/MXFP4（10-14）＋ amd Quark MXFP4/FP8（09-18）｜🟢 一手已核 HF collection https://hf-mirror.com/api/collections?owner=meta-models （muse-spark-open、gating: true、lastUpdated 2026-10-15T16:54:47Z、描述 "A 816B parameter model with 42B Active parameters. BF16 and NVFP4 Weights."）｜🟢 HN Algolia（816 分 / 405 评论 / 2026-10-15T17:47:39Z）｜⚠️ 官方 Benchmarks 段为图表，HTML 文本无任何分数 → 本条不引任何基准数字

② Goodfire 长文《Neural Networks Are Already Clean》：polysemanticity 的经典证据被读错了，网络本来就是可读的（2026-10-15）

如果这篇站得住，「网络被缠成一团、必须先用 SAE 拆开」这条二十年来的前提就要重写。 Goodfire 的 Nick Cammarata（2020 年 Distill《Zoom In: An Introduction to Circuits》作者之一，前 OpenAI 可解释性）于 2026-10-15 发布研究长文《Neural Networks Are Already Clean》，自称是一份 "informal research essay and working hypothesis"、65 分钟阅读；原文核心主张一句话：神经网络本身是「干净」的——它的机制就是它可读的积木块，可以直接研究网络，而不必先把它解开。他的论证分几层：① InceptionV1 是误判。当年最后一层「几乎没有一个神经元可解释」被当成 superposition（网络在神经元用尽时把不相关的概念硬折在一起）的典型证据，他现在的结论是架构缺陷让后层「溢出」、加上可解释性工具太弱，两者叠加造成了「一团乱」的观感；而此后为让深层更好学习而做的普通架构改动，副作用是把后层变得更可读——不改变模型尺寸、不改变训练数据，该层 99–100% 的神经元变得容易解释，整网贯通；他还训练了横跨 300× 尺寸的版本，每一档都同样可读（余量小时神经元只是覆盖更粗的概念，例如一个车神经元覆盖很多种车；余量大时才分化出具体的车）。② 那个最著名的视觉例子也是误读。2019 年他和 Chris Olah 在《Zoom In》里展示过一个「车的特征扩散进一组不相关的狗神经元」的电路，是当时 superposition 现象的招牌样本；他现在的说法是——没有任何下游去读这个组合，那是普通的泛化与组合，不是「把车藏进高维空间」；据他所知，此后无人发表过第二个同形状的电路。③ 语言模型比普遍认为的可读得多。Anthropic《Towards Monosemanticity》(2023) 里，中位神经元在 14 分制上得 0（评分者无法形成任何假设）；OpenAI 2023 年的自动可解释性项目用最宽松的标准只找到约 1.7% 可解释神经元；而他对 Qwen3-32B 的初步审计给出的估计是：约 90% 的神经元极点只有一个主功能（常带小的相关分支）、约 7% 有两个相关功能、只有 2–4% 尚未被理解（只看强激活时，「非任意混合」约 97%）；密集模型与 MoE 大致相同，万亿参数级的 Kimi K3 结果类似，细节放在「companion paper」里（本轮未见）。④ 方法论主张：与其从「假设的特征清单」出发训练稀疏自编码器去逼近原始网络，不如对网络本身做常规科学——看神经元与电路、观察数据流、在 agentic 规模上跑实验验证解释；同时他明确打了折扣：百分比取决于阈值怎么设（弱激活算不算、看百分位还是看最强激活的比例），所以不该把「干净度」当成一个精确可优化的分数，只能当作网络所处区间的粗略指针。HN 上该文 694 分 / 259 评论 / 2026-10-15T16:04:01Z。

认知价值：① 这条的可解释性意义在于：它攻击的是「必须先拆解」这个前提，而不只是某个分数。 过去几年可解释性领域的主流工程（稀疏自编码器、字典学习、特征提取）建立在一个假设上——网络是缠住的，所以要先学会「解开」它；这篇文章说的是：缠住的观感来自普通的学习失败 + 观测工具不够好，而且已经被普通的架构改进顺手修好了。若成立，「直接读网络」重新成为可行路径，SAE 路线从「唯一出路」降级为「其中一种探测手段」。② 对我们的方法论价值比技术细节更大：先怀疑仪器。 「中位神经元 0/14 分」既可能是网络的真相，也可能只是评分工具不会读；一个可解释性分数本质上就是一次评测，而评测必须问三件事——谁跑的、用什么工具、阈值怎么设。这与我们反复记的「口径」纪律是同一条（10-14 ① 官方文档自相矛盾、10-15 ① 公告日/分发包日/社区波次日三日期、本期 ① 官方分数只有图）。作者自己把阈值敏感性摊开写，这一点比他的数字更值得学。③ 分寸要拿稳：这是单作者的、未发表的研究笔记 + 初步审计。 companion paper 未见、无同行评议、无第三方复现，所有百分比都是自估值（原文用 "preliminary audits"、"I estimate"、"closer to 97%… these are relatively small samples"）；而被他作为对照的旧数字（0/14、1.7%）出自正式论文，两者是否可比本身还没被核——按我们的分级只能记 🟡（研究者口径），不能当结论引用，更不能写进片子里当定论。④ 但值得记下的是它对「AI 工程效率」的暗示：如果后续复现成立，那么现在花在「先训一个解释器再解释模型」上的算力，可能会像当年花在手写特征上的算力一样被证明是可省的。这条线我们留着——它是我们自己下结论前必须先验证的那类断言。

领域：eval-evidence ｜ 去向：feeds（喂养「怎么读一份评测/一个分数」讲：与 10-14 ① 官方两处表述打架、10-15 ① 三个日期、本期 ③ 媒体口径 vs 仓库口径 合成一条「仪器与口径」主线；并把「神经元审计」列为可复现实验候选——我们需要一次自己的独立审计才能采信百分比）｜ 等级：🟡

来源：🟢 一手已核（10-16 直读原文 HTML，2,176,329 B）https://already-clean.goodfire.com/ 《Neural Networks Are Already Clean》 Nick Cammarata · Goodfire，2026-10-15（页头标注 "A working hypothesis · 65-minute read · Text version"；原文含：InceptionV1 的 superposition 是误判、其后层 99–100% 可解释与 300× 尺寸跨度、2019 Zoom In 那个车扩散进狗神经元的电路是普通泛化与组合（"nothing reads that combination"）、Anthropic《Towards Monosemanticity》中位神经元 0/14、OpenAI 2023 自动可解释性约 1.7%、Qwen3-32B 初步审计 ~90% 单职 / ~7% 双相关职 / 2–4% 未理解（强激活口径约 97% 非任意混合）、密集与 MoE 类似、万亿参数级如 Kimi K3 结果相近且细节在 companion paper、以及阈值敏感性说明）｜🟢 HN Algolia（694 分 / 259 评论 / 2026-10-15T16:04:01Z）｜⚠️ 全部百分比为作者自估、companion paper 未发布、未经同行评议与第三方复现 → 整条按 🟡 记

③ 纳维-斯托克斯再反转：那份 166 页证明根本没走「西班牙路线」，而 OpenAI 自己也没搞懂它（《科学美国人》2026-10-13；中文波次 10-16）

「形式化验证通过」与「有人真的理解」是两件事，这次被摆到了一起。 《科学美国人》记者 Joseph Howlett（编辑 Lee Billings）于 2026-10-13 刊出追踪报道《OpenAI's blockbuster math proof isn't what you think it is》（页面 datePublished = 2026-10-13T12:42:00-04:00，dateModified = 2026-10-14T13:44:22Z）：采访了多个正在研读那份证明的数学家小组后，结论是OpenAI 的证明并没有沿用西班牙数学家 Diego Córdoba 与 Luis Martínez-Zoroa 的「西班牙路线」——相似只是表层。EPFL 数学家 Gonzalo Cao-Labora 的原话是「When you go to the details, it is a different approach」；报道归纳为：两条路线都利用 Clay 数学研究所官方题面里允许外力这个「loophole」（题面允许构造一个怪异、非物理的力去「搅动」流体使其爆破），但 OpenAI 的证明构造那个非自然力的方式完全不同。时间线上有个关键细节：OpenAI 9-08 公布成果时，公司高管反复、明确地说证明沿用了西班牙路线（它与纽约大学数学家 Tristan Buckmaster 的公开冲突正由此而来，Buckmaster 与 Anthropic 员工 Levent Alpöge 此前一直用 LLM 沿着那条路线推进）；但报道指出，OpenAI 最初用规模较小的 agent 团队证明的中间结果，专家认为可能确实走了那条路，而扩大到约 1 万个 agent 的系统似乎意识到必须换一条路才能收尾——所以「最终方法不同」并不等于「此前研究白费」。这篇报道里更重的一句判断是：OpenAI 没有真正理解自己模型给出的证明，而且一个多月后仍然没有人完全理解；普林斯顿高等研究院数学家 Camillo De Lellis 说：「I honestly don't see a factual resolution of this…这已经不再是可清楚验证的数学事实问题」。至于「是否见过他人数据」，OpenAI 对《科学美国人》再次否认，但报道承认模型的黑盒性让确切的推理链条很可能永远无法确定。两处可核的口径差必须写下来：① 报道写「上周公司又向社区倒了约 400 项结果」，而我们自己在 10-07 一手核过的官方口径是 722 篇手稿 / 372 组结果（仓库 openai/math 实测 722 个 preprints/ 子目录，Apache-2.0），两处数字不一致，本条不合并、不做折算；② 中文媒体（量子位 2026-10-16 13:00）转述这场反转时把 722 篇 / 372 组当作「刚公开」来写，而其实际发布日是 10-06（我们 10-07 与 10-08 两期已记过，含官方自己在 history.md 里记的撤回 3 篇、修订 14 篇、形式化率 42%）。另注：该文在 HN 的提交是 2026-10-14T20:22:22Z、仅 3 分 / 0 评论——英文社区没接住，中文波次落在窗口内（10-16 13:00）。

认知价值：① 这是「验证通过 ≠ 理解」最干净的一次实证。 这份证明配了 Lean 形式化代码，可以逐步机器检查推导是否合法，大家也没有质疑形式化本身；但问题是——形式化检查的是「每一步推导合法吗」，它不会告诉你「这套方法为什么有效、和已有研究什么关系、能不能推广」。于是出现了一个前所未有的状态：一个通过了机器验证的结果，没有人（包括发布它的公司）真正读懂它。这条对做工程的人同样成立：CI 全绿不等于有人知道系统为什么能跑。 ② 「谁来举证归属」这件事，在产出主体不可解释时会失效。 OpenAI 自己都曾误判自己模型走的是哪条路——这意味着归属争议的双方可能都在用错误的前提辩论；De Lellis 那句「不是可清楚验证的数学事实」正是这个意思。把它和 10-15 ⑤（Anthropic 的 Scion 被指借鉴 Mononoke：LLM 会索引训练集里的既有设计，所以「给前人署名」这件事既更容易也更该做）并排读，就是一条线的两端：当生成者不可解释，学术署名的举证机制需要新的形态——OpenAI 这次给出的形态是 Lean + 推理摘要 + 算力口径（10-07 记过），本次反转恰好说明这套机制还不足以解决「理解」与「归属」两件事。③ 数字口径再敲一次：同一件事，媒体口径与仓库口径可以差一倍。 SciAm 的「约 400 项」对上官方仓库的「722 篇 / 372 组」，差距来自按手稿数还是按结果族数、算不算同一批的续作——这类差异在稿子里必须标出来源级别，不能默默取一个（与我们 10-15 ② 处理「项目页 5090 vs 仓库 A100」同一种做法）。④ 读法纪律：本条是媒体 + 专家访谈（🟡），核心事实链（166 页、约 1 万个 agent、Lean 形式化、双方论战）在 09-11 / 10-07 / 10-08 我们已分别核过一手；「抄袭」「行贿威胁」这类定性是当事方主张（SciAm 写的是 Buckmaster 的指控），本条不采纳为既成事实。

领域：eval-evidence ｜ 去向：related（挂钩 2026-09-11 ① 纳维-斯托克斯的算力账、2026-10-07 ① 722 篇手稿的信任机制、2026-10-08 ① 官方自己记的撤回与形式化率；喂养「AI 研究的验证机制」讲：形式化 ≠ 理解，署名机制需要新形态）｜ 等级：🟡

来源：🟡 一手已读原文（10-16 直读全文 HTML，135,243 B）https://www.scientificamerican.com/article/openais-blockbuster-navier-stokes-proof-isnt-what-we-thought-it-was/ 《OpenAI's blockbuster math proof isn't what you think it is》Joseph Howlett（edited by Lee Billings），datePublished 2026-10-13T12:42:00-04:00 / dateModified 2026-10-14T13:44:22Z（原文含：166 页证明、约 10,000 copies 的 agent swarm 与 88 小时算力、130 billion tokens、未沿用西班牙路线、"When you go to the details, it is a different approach"、两者都利用 Clay 题面允许外力这一 loophole 但构造方式完全不同、早期小团队的中间结果可能走了那条路、"OpenAI didn't understand its own model's proof. And still, more than a month later, no one fully does."、"some 400 more results"、Lean 形式化与「用其他 LLM 帮忙鸟瞰」、De Lellis 的 "I honestly don't see a factual resolution of this"、以及 Buckmaster 关于行贿与威胁的指控）｜🟢 一手已核（历史期，非本轮）：https://openai.com/index/sharing-ai-progress-in-mathematics/ （October 6, 2026）＋ https://github.com/openai/math （仓库 createdAt 2026-10-06T21:47:02Z、pushed_at 2026-10-12T21:55:27Z、Apache-2.0、14,989★；10-07 实测 preprints/ 722 个子目录）｜🟡 中文媒体（2026-10-16 13:00）量子位《GPT证千禧年难题成果大反转！OpenAI自己没看懂就发…》https://www.qbitai.com/2026/10/503685.html （其把 722 篇 / 372 组写成窗口内新发布，实际为 10-06，已在正文校准）｜🟢 HN Algolia（提交 3 分 / 0 评论 / 2026-10-14T20:22:22Z）｜⚠️ 「抄袭/贿赂」类定性为当事一方主张，非裁定

④ 一篇 agentic RL 论文指出训练假设与真实 harness 错位：上下文压缩、子 agent 分叉会产生跨会话轨迹（arXiv 2610.22174，2026-10-15）

「在哪个 harness 里训」之后，下一问是「harness 的执行形态有没有进训练目标」。 论文《Mosaic: Multi-Session Agentic Reinforcement Learning》（作者 Yilong Xu、Minrui Xu、Xinyu Zhou、Xiang Long、Haochen Tan、Zhijiang Guo）2026-10-15 提交 arXiv（cs.CL），切口很小但很准：现有多数 agentic RL 方法都假设「单会话轨迹」——交互在一个持续累积的上下文里走完；但真实 agent 技术——上下文压缩（context compaction）与子 agent 分叉（subagent forking）——会产生跨多个会话（session）的轨迹，于是训练时的假设与推理时的执行形态出现错位。作者把这个更一般的设定命名为 Multi-Session Agentic RL：一条轨迹里允许任意数量的会话。他们指出，在这个设定下被广泛采用的做法是把轨迹级优势（advantage）广播给所有会话，但这样既不区分各会话的贡献，也不指导会话预算在轨迹内怎么分配。为此提出 Mosaic：critic-free 的分层优化——轨迹层把「会话使用信号」纳入优势估计，会话层则按每个会话的估计边际贡献去重塑该会话的优势。实验在 BrowseComp 上用 Qwen3.5-4B 做：在 context compaction 与 subagent forking 两种场景下，Mosaic 都优于「广播优势」的做法，且平均用的会话数更少；进一步分析显示会话效用与分配都有改善，作者认为这值得作为多会话 agentic RL 的后续方向。

认知价值：① 这是 10-15 ③（Liquid AI 直接在 OpenClaw / Hermes Agent / Pi / OpenCode 四个 harness 里做 agentic RL）那条线的下一步。 上一期我们记的是「harness 进入了训练变量」；这一期给出的是更精确的一层：训练目标本身要匹配 harness 的真实执行形态。上下文压缩与子 agent 分叉在实践中已经很普及（我们自己的长任务就是这样跑的），但训练侧还在按「一个上下文走到底」记分——谁的训练先对齐这个形态，谁就先吃到 harness 红利。② 对我们的评测协议是可执行的一条：按会话分段记分。 如果一个 harness 会压缩上下文或开子 agent，那么只看最终答案对错会把「哪个会话真正解决了问题」平均掉——出题与统计都该按会话切段，才能看出边际贡献（这与 10-14 ④「增益随对照改变符号」、10-15 ④「工具相同、只换编排」是同一种消融思维：先把变量定位清楚，再谈分数）。③ 别把结论放大。 只有一个基准（BrowseComp）、一个 4B 底座、一种对比对象（广播优势），且是预印本、未经同行评议、无第三方复现——它是一份机制线索，不是「Mosaic 更好」的通用结论；我们的用法是把它当成「训练侧开始追 harness 形态」的证据，而不是拿来吹一个方法名。

领域：agent-frameworks ｜ 去向：feeds（喂养 harness 主线第三讲：与 10-15 ③ harness 进入训练变量、10-14 ④ 对照设计、10-12 ② dsh 插件生态 合成「谁持有状态、谁调度、谁定义记分」；并写进我们自己的评测协议——跨会话 harness 一律按会话分段统计）｜ 等级：🟢

来源：🟢 一手已核（10-16 直读 arXiv 摘要页）https://arxiv.org/abs/2610.22174 《Mosaic: Multi-Session Agentic Reinforcement Learning》Yilong Xu, Minrui Xu, Xinyu Zhou, Xiang Long, Haochen Tan, Zhijiang Guo，Submitted on 15 Oct 2026（原文含：既有方法假设 single-session trajectories；"agentic techniques such as context compaction and subagent forking may produce trajectories spanning multiple sessions, creating a mismatch between the single-session training assumption and inference-time execution"；trajectory 级优势广播的两个缺陷；critic-free 分层优化、session-usage 信号与边际贡献；"Experiments on BrowseComp with Qwen3.5-4B show that Mosaic outperforms broadcasting in both context compaction and subagent forking scenarios while using fewer sessions on average"）

⑤ 长上下文的难度不在长度：一篇 6,550 题的基准把难度拆成「证据找多少、散多开、推几步」（arXiv 2610.22067，2026-10-15）

1M 上下文正在成为标配，这条刚好给出反面证据：能塞多少 ≠ 能推多远。 论文《Beyond Context Length: Characterising the Difficulty of Long-Context Reasoning》（作者 Shiwen Qin、Cameron Barker、Henry Gouk、Elliot J. Crowley、Shay B. Cohen、Mirella Lapata、Miao Li）2026-10-15 提交 arXiv（cs.CL）。它的出发点是：长上下文评测习惯把「上下文长度」当作难度的主指标，但同样长度的上下文可以难度完全不同——有的题一段本地文字就能解，有的题必须把散落全程的证据整合起来。作者把这种难度量化成三个属性：evidence scope（必须找到多少必要信息）、evidence dispersion（这些信息在上下文里散得有多开）、reasoning depth（从这些信息推导出答案需要多少步依赖）；并据此构造基准 LURCH：多领域问答、6,550 个实例，每个实例带支撑证据与推理图，从而让三个属性都可量化。三条结论：① 在固定上下文长度下，三个属性都与模型性能强负相关；② 上下文变长时，证据分散的样本性能陡降，而证据集中的样本相对稳定；③ 难度会叠加——三项都「中等偏高」的题，比只有单项极端的题更难。作者由此主张：evidence scope / dispersion / reasoning depth 应当作为补充上下文长度的难度度量。

认知价值：① 判据要分开：容量是容量，难度是难度。 本期 ① 那个 816B 模型标 1M 上下文、10-14 ① Gemini 4 Argon 也标 1M——「窗口多大」是容量数字，而这条给的是难度数字：真正压垮模型的是证据散得多开，不是窗口有多宽。对外引用长上下文能力时，这两件事必须分开测；把「支持 1M」直接读成「能推理 1M」是最常见的误读，而这篇用固定长度下的对照把误读证伪了。② 方法可抄，而且便宜：难度可以拆成受控变量。 三个属性可量化 + 公开基准（6,550 条带推理图）意味着我们自己的长上下文评测可以按 evidence dispersion 分层出题——把「散得多开」当自变量，看曲线在哪里断。这与 10-14 ④（增益随对照改变符号）、本期 ④（按会话分段记分）合起来，是我们反复在讲的那句：先把变量定位清楚，再谈分数。③ 分寸：预印本、单一自建基准、未同行评议；「三属性与性能强负相关」的结论建立在该基准的构造上，对外引用要带上这个限定。它的价值在度量设计，不在具体数字。

领域：inference-efficiency ｜ 去向：feeds（喂养「长上下文怎么测」：与本期 ①（1M 上下文）、10-14 ①（Gemini 4 Argon 的 1M 口径差）、10-15 ④（工具相同只换编排）合成一条「先定变量、再读数」的评测方法线；LURCH 可作我们长上下文实测的出题模板）｜ 等级：🟢

来源：🟢 一手已核（10-16 直读 arXiv 摘要页）https://arxiv.org/abs/2610.22067 《Beyond Context Length: Characterising the Difficulty of Long-Context Reasoning》Shiwen Qin, Cameron Barker, Henry Gouk, Elliot J. Crowley, Shay B. Cohen, Mirella Lapata, Miao Li，Submitted on 15 Oct 2026（原文含：三个属性 evidence scope / evidence dispersion / reasoning depth 的定义；LURCH = 多领域 QA、6,550 instances、带 supporting evidence 与 reasoning graphs；三条结论「at fixed context length, all our three properties are strongly negatively correlated with model performance」「as context length increases, performance degrades sharply on samples with dispersed evidence, whereas it remains relatively stable on samples with localised evidence」「difficulty compounds across properties」）