Beyond Local Surprise: Grounded Dialogue as Selective Belief Revision under Referential Uncertai...

Dialogue SWE-Bench 把编码智能体评估从全自动修 bug转向通过与用户对话解决真实软件问题，引入 persona-grounded 用户模拟器和对话质量自动评估摘要指出更强的编码模型不一定是更强的对话模型，交互式问题澄清应成为编码智能体独立评估维度

Agora 是 NVIDIA 在 2026-09-16 公开的 arXiv 技术报告（2609.18094，cs.LG/cs.AI/cs.CL）：把多 agent 协作的共享记忆写成 Git 里的 append-only DAG，每条贡献是不可变 commit + parent edges；用 derived index 暴露 frontierneglected branchesverification status，再用 diversity-aware selection rule 防止社区塌到一个 leader 上第一次持续运行是 12 天：13 个 LLM worker（Claude Opus 4.7 + GPT-5.5），无指派任务无中央 planner...

两项预注册审计挑战 LLM judge 作为测量工具的前提假设：同名模型今天与明天给出同一读数52,988 次受审请求中，同窗口重复排名 Spearman 仅 0.400（要求 0.90），次日字节级重放也只有 0.78（要求 0.99），而执行记录显示请求本身无异常三个机制：标签到含义的映射本身引入与信号同强的偏差候选差距低于仪器噪声底七个数量级字节相同输入返回不同排名且精确置换读数放大该噪声预注册后续实验进一步排除出路：等待无改善（0.805 vs 0.800）四家供应商共享同一噪声底（中位数 0.74-0.88）批不变内核自托管仅在服务器空闲时有效作者给出三层快照同一性阶梯八条设计规则与报告清单：共享端点上的模型名不是冻结仪器，预注册评估必须先测量仪器本身2026-09-03 提交 cs.AI

观点文：当前 AI 安全话语过度聚焦可见伤害与灾难情景，低估部署中安静可被流程正常化跨组件分散的失败核心不仅是模型是否输出有害内容，而是社会技术系统是否让错误保持可见可争议可遏制可恢复提出五层诊断：认知完整性控制完整性时间完整性组织完整性生态完整性；点名过度依赖检索合法性洗白提示注入奖励黑客记忆投毒评估欺骗虚构人审合成证据污染模型崩塌等，并主张从模型中心评估转向社会技术可靠性arXiv:2607.19292，2026-07-21