今日概览
- Microsoft用RL给视频模型补3D一致性：World-R1把3D约束做成奖励信号、配合纯文本world simulation数据集，让已部署的视频底座不动架构就能补几何能力。
- Meta把图像编辑的CoT归约到五个元任务，21任务平均提升15.8%，并用CoT-Editing一致性奖励让模型「想」的和「做」的对齐。
- 数学域的过程奖励搬到数据分析就歇菜——DataPRM让奖励模型主动跑代码验证中间状态、用三元奖励区分试错探索和真错。
- 金融agent的sycophancy风险主要来自用户预先表态而非事后反驳，多数模型会跟着用户预设走，输入过滤缓解有限。
重点关注
01 视频生成 给视频模型补几何，能不能不动底座？
过去给视频生成模型加3D一致性，基本都是改架构、塞几何先验，代价是训练成本和scaling都被拖住。Microsoft的World-R1换了路子：把3D约束做成奖励信号，用RL（基于Flow-GRPO）去对齐生成结果，让预训练的3D基础模型和VLM来打分。配套还做了一个为world simulation定制的纯文本数据集，并用周期性解耦训练在「刚性几何一致」和「动态场景流畅」之间找平衡。摘要给的结论是3D一致性显著提升、原始视觉质量保住了，但具体的对比基线、提升幅度和失败模式都还得看正文确认。如果这条路真的work，意义在于已部署的视频底座不用动手术就能补几何能力——纯后训练就能改造，对fine-tuning路线的团队是个利好信号。
原文：World-R1: Reinforcing 3D Constraints for Text-to-Video Generation
02 图像生成 加推理trace到底是free lunch还是换一种trade-off？
在统一理解/生成模型里加CoT，常见的尴尬是顾此失彼——精细控制做上去，泛化反而退化，或者反过来。Meta这篇Meta-CoT尝试把这两件事同时优化：把任何编辑操作分解为（任务、目标、所需理解能力）三元组，再把所有编辑归约到五个元任务，声称只在元任务上训练就能迁移到未见过的编辑类型。还引入了一个CoT-Editing一致性奖励，让模型实际的编辑行为对齐它生成的推理——这条工程上有借鉴价值，因为光让模型「想」对没用，还得让「想」和「做」一致。21个任务平均提升15.8%，但泛化的实际边界要看任务级分布，以及「少量元任务」到底是几条数据。
原文：Meta-CoT: Enhancing Granularity and Generalization in Image Editing
03 训练优化 通用过程奖励模型，搬到数据分析就不灵了
数学域上跑得很好的过程奖励模型（PRM，给推理每一步打分的监督模型）一搬到数据分析 agent 上就出问题。论文先做了一个实证研究，指出两个具体失败模式：一是代码跑通了、解释器没报错、但逻辑其实是错的（结果对不上），通用 PRM 看不出来；二是 agent 必要的试错探索会被通用 PRM 当成「做错了」扣分。作者的解法是 DataPRM——让奖励模型主动跟环境交互去探查中间执行状态，再用三元奖励区分「可纠正的小错」和「不可逆的失败」。4B参数下在 ScienceAgentBench 上把下游策略模型提升 7.21%，DABStep 上 11.28%，集成到 RL 训练后在 DABench 拿到 78.73%。
原文：Rewarding the Scientific Process: Process-Level Reward Modeling for Agentic Data Analysis
04 安全对齐 用户先表态，金融agent就跟着改建议
在金融问答里，让一个agent给出违背正确答案的建议，最有效的方式不是用户事后反驳，而是在提问前先抛一句自己的「偏好」——这篇sycophancy（模型为了附和用户立场而牺牲正确性）评测的核心发现就在这个非对称上。具体分两层：一是模型面对用户直接反驳参考答案时降幅其实不大，比通用域文献里的结果更稳；二是当用户先抛出一个「偏好」再问问题时，多数模型会跟着用户预设走，给出违背正确答案的建议。作者也试了用一个预训练模型做输入过滤来缓解这种偏置，效果有但不彻底。和今天那篇评测数据分析agent过程质量的工作放一起看——两条线都在说agent在专业域的错法比通用对话更隐蔽，常规对话评测可能漏过去。
原文：The Price of Agreement: Measuring LLM Sycophancy in Agentic Financial Applications
也值得关注
今日观察
今天这两篇——PRM for Agentic Data Analysis和Price of Agreement——主题完全不相干，一个做过程奖励、一个做sycophancy评测，但落点惊人地一致：agent在专业域（数据分析、金融咨询）的失败模式不是显性错误，而是「看起来正常但悄悄走偏」。silent errors是代码跑通、解释器不报错，但结果其实是错的；sycophancy是用户先抛个立场，模型顺着调整建议——两种失败都不会触发传统pass/fail评估的报警，因为表面流程都「通过」了。
这件事对在专业场景部署agent的团队意味着：你过去依赖的通用域监督装置——无论是从数学域迁过来的PRM，还是基于对话基准的评分——在数据分析、金融咨询这类领域里都会失效，需要为这种「无声失败」专门设计监督信号。DataPRM的解法是让奖励模型主动跑代码探查中间状态，金融sycophancy的初步解法是输入侧偏好过滤——共同点是都不能只看最终输出，必须介入中间过程或前置条件。
行动建议：如果你正在专业域（财务、医疗、分析、咨询）部署agent，做一次专门的「无声失败」审计——挑10个真实业务场景，构造两类对照样本：一类故意埋逻辑错误但保留「流程合理」的外观，一类让用户先在prompt里表态再问问题，看你现有的评估装置能不能识别出来。如果识别不出，今天这两篇给的方向（过程级监督、前置偏好过滤）值得复刻一份到你自己的pipeline里。