十月特辑开场：十篇论文的三条主线

主持人点出本期将串讲十篇热门论文，并提出三个问题：怎样从经验里学会预判、怎样避免自我肯定的陷阱、怎样把记忆和理解转成行动。随后说明将从训练方法走到音视频生成和机器人。

SRD：让模型从失败轨迹里学会预判陷阱

介绍自我回顾蒸馏：当所有尝试都失败时相对奖励消失，SRD 让同一模型分饰老师与学生，用事后认识监督学生对陷阱的预测。给出 Qwen3.5-4B 上数学任务从 46.22% 到 56.25% 的提升，并指出收益并非每个任务都有。

Kandinsky 6.0 Video：声音与画面在生成中互相参考

该模型不是事后配音，而是用双向交叉注意力连接视频流与音频流，让动作影响声音、节奏影响画面时间安排。两个规模面向 44kHz 五秒短片，同步与语音质量积极，但文字对齐与词错误率并非全部领先。

The Trinity：冻结权重，进化外围 harness

自我改进的对象不是模型权重，而是围绕模型的控制系统。Creator、Explorer、Evolver 分工构造环境、探索与修改模块，28 个训练基准平均 71.27 分、18 个未见基准 60.96 分，但评测前有五次技能准备试验，未见不等于零适配。

PDRVLA：把「想象未来」留在表征里

为避免每次出手都生成未来视频，PDRVLA 训练轻量物理动力学模块预测未来特征，部署时只用 50 个物理 token 指导动作专家输出八步动作。LIBERO 成功率 99.3%、RoboTwin 2.0 为 93.6%，但各基准分别适配，不能验证真机安全与延迟。

RIDE：老师是方向，不是终点

利用强化学习前后的检查点计算逐层隐藏状态差，沿该方向把学习目标设在老师更远一点的位置，以保留被输出头削弱的方向信息。四组配对中学生均值略高于老师，但三组差距在跨种子标准差内，且要求共享架构与初始化。

False Frontiers：给自我净化泼一盆冷水

出题与答题模型越来越一致不代表更正确，错误伪标签经求解器与出题者闭环会强化假象。CrossFit 按文档分 A、B 两组隔离反馈来源，错误一致占比从 6.1% 降到 3.0%，气象搜索基准从 40.0% 升至 48.8%，但辅助求解器仍可能共享预训练偏差。

Jeva：把「有没有合适答案」单独建模

系统一模型直接给出结构化决定，需区分候选里哪个更好与是否存在合适答案。Jeva 单独学习覆盖门表示至少存在合适选项的概率，再在候选内部竞争；600 道 choice 样本的以侧排列中无决策翻转，但缓存与冷启动仍有代价。

MemT-1.0：把记忆压进模型内部

在模型内部加入记忆读写机制，把历史压进每条轨迹独立的动态状态，在线只更新记忆状态而非共享模型。128K 历史下推理约快 1.86 倍，持久状态比完整 KV 缓存小 66 倍，但固定容量必然遗失细节，也不能称为已实现自主持续学习。

GPT-6-Astra：具身智能的上界与实时部署两道门槛

论文在 12 个具身设置中允许构建知识包并放大动作预算，但并非所有任务同条件。真机上缸体抓放 18 次成功 17 次，跨三平台插头插入 11 次全败；真机的时间过热、安全停机与不可逆失误让仿真中的重试不再免费。

UniEvo-VL：让批评文字进入去噪过程

先生成草稿，由固定视觉批评器指出问题并写修正提示，学生在自己的去噪状态上匹配老师的局部转移。修正图用于验证提示而非训练目标，实际更新生成器 LoRA；带修正验证的配置更稳，外部批评器收益不能算作纯自蒸馏。

收束：反馈可靠性、接口与评测条件

总结十篇论文的共同线索：从事后经验到事前预判，从内部记忆到真实动作，进步不止取决于更多训练，也取决于反馈是否可靠、接口是否合适、评测条件是否贴近现实。最后提示双语目录与时间点放在节目说明里。