Telescopic LM：把每个网络前缀都训练成可用出口
一次训练覆盖连续深度，但中间尺寸仍不如专门训练的模型
固定几个早退层的模型，在未训练的深度停止常会崩溃。TLM每个批次随机训练一个前缀，再锚定完整网络，使1至20层都能输出可用概率；其收益是预算覆盖更平滑，不是所有尺寸精度更高，也没有实现逐token任意切换深度。
Zhilin Guo 等 · 剑桥大学等阅读简报
2026.09.30 简报
每日研究 · 覆盖 2026.08.14 — 2026.09.30
以下为当期记录；研究详情页展示最新已核对信息。
3 项工作
WideSWE：一个需求跨仓库，成功要看整个系统
120个真实任务中最佳配置完成42.5%；改对一个仓库仍可能整体失败
前端、后端、SDK往往必须一起改变，单仓库榜单难以验证接口一致性。WideSWE从关联PR构造120个跨仓库任务，让agent处理共享请求，并要求所有目标仓库通过隐藏测试；结果揭示遗漏仓库、错误共享表示和修复后退化三类问题。
Baoyi Wang、Xingliang Wang 等 · 浙江大学等阅读简报
ProofGap：把数学证明拆成可验证的局部义务
单步能证明，不代表能独立完成整道题；发布数据与论文规模也不同
ProofGap把数学分析教材解答中的中间结论变成带局部假设的证明任务，用Lean或受限DSL验证。它能定位整题分数掩盖的推理短板，但每一步获赠前序结论，不能把单步成功率当成端到端证明能力；当前仓库数据规模也与论文表格不同。
Lihan Xie 等 · 上海交通大学阅读简报
人物与观点
1 条Andrew Fasano · Marius Fleischer 等Anthropic 红队与政策研究作者
评估网络能力时，应同时看可达模型与防护条件
作者在署名报告中认为，GLM-5.3已表现出值得重视的端到端网络能力，评估风险还须考虑模型实际开放方式和防护条件。其隔离环境测试中，V8基准410次尝试有50次成功，对照Mythos Preview为56次；这不是对真实网络攻击成功率的估计。
中文转述09-29官方全文，无直接引语。报告由另一模型开发商撰写，部分Claude能力测试关闭防护，内部二进制基准未完全公开；能力分数、防护测试和真实可访问版本必须分开理解。本站未执行攻击或复现实验，不把作者的政策判断写成领域共识。