先看清证据，再让模型回答

TL;DR：本期没有退回 4 月 30 日，而是保留 5 月 3-4 日的新论文，主题是“模型在回答或生成之前应该先看什么”。FlexSQL 让 data agent 在推理过程中反复检查 schema、取值、执行结果和计划，而不是一次性把 schema retrieval 固定下来。Chart-FR1 把密集图表推理训练成显式视觉聚焦过程，让 reasoning step 绑定 OCR 文本和局部区域。PV-VAE 则把 video VAE 从纯重建改成预测式重建，迫使 latent 携带运动和未来变化信息。

本期我在看什么

最近几期 Paper Radar 讲了很多外部证据表面：workflow trace、文档图结构、reward-model activation、可回放工作区。这条线仍然重要，但本期我想往前挪一步：模型留下证据之前，必须先知道自己该检查什么。

对 data agent 来说，这意味着推理时能继续看数据库，而不是把一次 schema linking 当成最终上下文。对 chart model 来说，这意味着 reasoning chain 要指向局部图形、OCR 文本和 box，而不是把密集图表当成一张普通图片。对视频 world model 来说，这意味着 latent state 要被要求预测未来，而不只是重建已经看到的像素。

我初筛了 24 小时内的新 arXiv 线索，包括 MolmoAct2、multi-agent orchestration trace RL、FlexSQL、MLLM latent reasoning、AcademiClaw、ARA、AutoFocus、long-horizon training、DataClaw 和 PhysicianBench。最后保留三篇，是因为它们都有开放 HTML、方法细节、公式、图表和可定位数字，可以写成真正的 mini explainer。本期也继续落实最近的写作反馈：每篇先讲领域入口，密集表格用 Markdown 重写，关键机制用公式说清楚。

论文细读笔记

FlexSQL: Flexible Exploration and Execution Make Better Text-to-SQL Agents

作者：Quang Hieu Pham, Yang He, Ping Nie, Canwen Xu, Davood Rafiei, Yuepeng Wang, Xi Ye, Jocelyn Qiaochu Chen。
机构：University of Alberta；Simon Fraser University；University of Waterloo；Snowflake；Princeton University；New York University。
日期/来源：2026 年 5 月 4 日，arXiv 预印本。
链接：arXiv | HTML | 代码

这条 condensed trace 展示了我希望 data agent 具备的行为：不要把数据库当成静态 prompt 附件。它会发现 schema、检查取值、运行局部验证，并保留多个 query interpretation 直到可以测试它们。需要谨慎的是，这只是一个压缩示例，说明机制，但不单独证明系统鲁棒性。

框架图是最有用的系统视角。FlexSQL 包括 plan generation、program generation、repair、plan backtracking，以及跨 SQL/Python 输出的 majority voting。关键点是 backtracking 可以从代码错误回到计划错误：选错表或误解查询意图时，不会被迫只在 SQL 局部修补。

一句话核心 idea：FlexSQL 把 text-to-SQL 变成一个交互式 data-agent 问题，让 schema exploration、value inspection、execution、repair 和 plan revision 贯穿推理全过程。

为什么重要：企业数据库不是早期语义解析 benchmark 里的干净单 schema 世界。论文提到 Spider2.0 的 Snowflake 数据库中，152 个数据库里接近 10% 超过 100 张表，最大的数据库有 60,000 到 72,000 个列。固定 pipeline 如果一开始 schema retrieval 错了，后续执行反馈来得太晚，只能修补表面 SQL，很难修复上游计划假设。

方法拆解：

1. FlexSQL 先做轻量预处理：删除全空列，把 schema 相同但只有时间后缀不同的表分组；随后通过 GetSchema、GetTableCol、GetColValues、FindRows 等工具按 database -> schema -> table 的层次路由。
2. 系统生成 (K) 个多样化自然语言执行计划，并提示每一批计划与前面计划保持差异。计划阶段可以继续看 schema、检查取值、运行测试 query。
3. 每个计划可以被实现成 SQL 或 Python。SQL 适合声明式关系查询；Python 适合多步转换、正则、分析库或很难写进单条 SQL 的流程。
4. repair 区分 code-level error 和 plan-level error。代码错误触发局部重写；计划错误触发回到 plan generation 并重新探索数据库。
5. majority voting 按执行结果聚类，不区分 SQL 或 Python。如果获胜结果来自 Python，系统再把它转译回 SQL，并验证输出一致。

论文中的 Spider2.0 主结果摘要。

最值得看的不是单个最高分。较小的 gpt-oss-20b + FlexSQL 在 Spider2-SQLite 上 Pass@1 达到 50.37，超过表中两个 120B baseline。论文还报告 Spider2-Snow table-level schema linking best-of-8 的 F1 为 95.26，而 DSR-SQL + DeepSeek-V3 为 82.65，ReFoRCE 混合专有模型设置为 80.03。这说明 flexible exploration 改善的是 grounding，不只是多采样。

这张图回答了一个实际问题：多给 test-time attempt 是否真的有用。随着 (K) 增大，FlexSQL 相对 ReFoRCE 保持领先；如果 plan diversity 和 execution feedback 真有作用，这正是我会期待的形态。需要注意的是成本问题：扩大 (K) 会买来准确率，但部署系统仍然需要延迟和预算策略。

论文中的消融摘要。

这组消融把常被混在一起的三个因素拆开了：工具访问、多样化计划、双语言执行。去掉 Python 后 majority accuracy 明显下降，说明 Python 不是装饰性的中间表示，而是在某些分析问题上先解出正确结果，再转译成 SQL。去掉多样化 planning 会降低 majority accuracy 但提升 Pass@8，也提醒我们：更多样的样本可能包含更多单次正确答案，但共识投票会变难。

我的判断：FlexSQL 更像是“数据库调查员”，而不是 SQL 字符串生成器。最强的部分是从 plan error 恢复，因为很多 data-agent 失败不是代码写错，而是代码之前的假设错了。弱点仍然是操作策略：agent 什么时候停止探索，多少 test-time sampling 值得付费，当多个执行结果都看起来合理时，系统如何向用户暴露不确定性？

关联主题：data agents、text-to-SQL、工具 grounded reasoning、基于执行的可审计性。

Chart-FR1: Visual Focus-Driven Fine-Grained Reasoning on Dense Charts

作者：Hongkun Pan, Yuwei Wu, Wanyi Hong, Shenghui Hu, Qitong Yan, Yi Yang, Rufei Han, Changju Zhou, Minfeng Zhu, Dongming Han, Wei Chen。
机构：浙江大学；浙江大学 CAD&CG 国家重点实验室；HiThink Research。
日期/来源：2026 年 5 月 3 日，arXiv 预印本。
链接：arXiv | HTML | 代码

这个例子说明密集图表推理不是普通 VQA。信息密度升高以后，模型必须先决定哪个 legend、subplot、label、局部区域或 OCR 文本与问题相关，然后才谈得上数值推理。需要谨慎的是，图中仍是选择性示例和趋势线，必须和后面的 benchmark 结果一起读。

这张总览图基本就是论文方法。第一阶段构造 Focus-CoT cold-start 数据，把 reasoning step 显式连接到 OCR 文本和局部区域。第二阶段用 Focus-GRPO，让 reward 同时关注答案正确、格式为 focus-aware reasoning、以及视觉证据使用是否经济。

一句话核心 idea：Chart-FR1 训练多模态图表模型先聚焦再推理：模型学会把推理步骤绑定到局部视觉证据，再用 RL 奖励准确且高效的 focus。

为什么重要：chart QA 在图简单时看起来不难，但科学图、商业 dashboard、财务报告里的答案常常藏在 legend、副轴、小字号 OCR 文本或多个 subplot 的比较里。通用 MLLM 可能“看到了整张图”，但没看对位置。这个问题在文档智能里很常见：正确答案需要 evidence path，而不只是最终一句话。

方法拆解：

1. Focus-CoT 在 reasoning 中加入 <focus> 动作。一次 focus 可以抽取 OCR 文本或定位局部图像区域，后续 reasoning 以这些视觉线索为条件。
2. 作者先生成 cold-start 数据：抽取图表问题，生成候选 reasoning path，按格式和正确性过滤，再用 teacher model 插入 focus tag 或修正错误链条，最后过滤掉错误或冗余 focus trace。
3. Focus-GRPO 从 old policy 采样多个输出，用 relaxed accuracy、format reward 和 information-efficiency reward 评分。
4. information-efficiency reward 惩罚冗余 OCR 文本、重叠 box 和 OCR-box 重复：

1. KL penalty 是自适应的。当模型聚焦到更多视觉线索时，KL 约束会放松：

这个设计不大，但很关键。标准 GRPO 对密集图表可能太僵硬，因为难题确实需要更长的视觉搜索。自适应 KL 让证据更多的样本有更大探索空间，同时让简单样本更靠近 reference policy。

Benchmark 本身也是贡献之一。论文用 information richness、efficiency、clarity、interactivity 定义 Chart-ID：

HID-Chart 包含 734 张图和 1,561 个 QA pair，平均信息密度 3.94，覆盖 10 类图表和 8 个领域。构造流程从约 2,500 张图开始，筛选高信息密度图表，用 GPT-5 生成候选问题，再由五名研究生删除歧义问题、升级过简单问题并标注答案。

论文中的 HID-Chart 数据集摘要。

训练与视觉线索消融摘要。

提升不是只发生在作者新 benchmark 上。Chart-FR1-7B 相对 Qwen2.5-VL-7B，把五个 benchmark 的平均分从 61.0 提到 67.1。视觉线索消融也很有价值：去掉 OCR 后平均分比完整模型低 2.6 分，去掉 box 低 1.9 分。这支持论文的核心判断：文字线索和局部区域线索都在实际工作。

reward curves 让这篇不只是“换了个 prompt 格式”。它展示 Focus-GRPO 训练时 reward component 的变化，说明方法不只依赖 cold-start format。谨慎点在于，reward 曲线本身不能保证证据使用真实可靠；还要结合消融和 dense-chart evaluation 看。

我的判断：我喜欢这篇，是因为它把 chart reasoning 说得不玄。先找相关标记，控制 focus 的冗余，再推理。需要谨慎的是 teacher 和 judge 依赖：GPT-5 出现在数据生成、Chart-ID 打分和部分评估 prompt 中。但方向是对的：视觉文档上的回答应该带显式证据获取步骤，而不是只有最后的自然语言答案。

关联主题：document intelligence、图表推理、多模态 RL、视觉证据 grounding。

Video Generation with Predictive Latents

作者：Yian Zhao, Feng Wang, Qiushan Guo, Chang Liu, Xiangyang Ji, Jian Zhang, Jie Chen。
机构：开放 arXiv HTML 未注明。
日期/来源：2026 年 5 月 4 日，arXiv 预印本。
链接：arXiv | HTML

框架图把训练变化讲得很清楚。PV-VAE 随机丢弃未来 frame group，只编码已经观察到的前缀，把缺失 latent slot pad 上，然后要求 decoder 重建完整视频。需要说明的是，这仍是 VAE 训练目标，不是完整 planning agent；它和 world model 的关系在于 latent state 被迫保留什么。

一句话核心 idea：PV-VAE 用预测式重建训练视频 latent，让 latent space 必须编码时间上有用的结构，而不只是重建可见像素。

为什么重要：Video VAE 常被 reconstruction 指标评价，但视频生成器会把 latent 当作 diffusion 的底座。一个能重建清晰 frame 的 latent，不一定适合生成，因为它可能没有组织好运动、时间连贯性和未来动态。这是 world model 的一个小型版本：state 是否有用，取决于它保留了下游过程真正需要的信息。

方法拆解：

1. 视频片段被分成 observed frames 和 dropped future frames，(\mathbf{x}=\langle\mathbf{x}{obs},\mathbf{x}{drop}\rangle)。encoder 只看到 (\mathbf{x}_{obs})。
2. 丢弃的 temporal group 数量按 maximum dropping ratio 控制的均匀范围采样。observed latent sequence 被 uninformative 或 learnable vector pad 成完整长度。
3. decoder 重建完整 clip，包括 encoder 从未看到的未来帧。这迫使 latent space 携带关于视频演化的预测信息。
4. 架构使用 3D causal convolution，时间下采样 4 倍，空间下采样 16 倍，latent channel 为 64。
5. 训练包括 image pretraining、带 predictive reconstruction 的 video training，以及冻结 encoder、关闭随机丢帧的 decoder fine-tuning，用来减小 train-inference gap。

总 loss 包含重建、时间差分重建、感知损失、GAN loss 和 KL 正则：

(\mathcal{L}_{\text{Diff}}) 值得特别看。静态背景在普通重建里占据大量像素，容易主导优化；重建相邻帧差分则迫使 VAE 把容量更多放到运动和时间变化上。

论文中的生成结果摘要。

PV-VAE 相对 Wan2.2 VAE 在 UCF101 FVD 上改善 34.42，相对 SSVAE 改善 22.31，同时训练显存接近同类高压缩 VAE。作者还报告相对 Wan2.2 VAE 在 UCF101 上收敛快 52%。它不是无代价胜利：在 Kinetics-400 reconstruction 上，PV-VAE 与高压缩 baseline 可比，但不总是优于 Wan2.2 的重建指标。

这张 PCA 图把论文从指标故事推进到表征故事。PV-VAE 的 latent activation 更明显对齐运动区域和 optical flow，而静态背景噪声更低。这支持“预测式重建改变 latent 关注对象”的主张，但 PCA 仍是诊断图，不是因果证明。

分析图把 prediction accuracy、scaling 和 temporal coherence 连起来。论文报告预测准确性与生成质量相关，PV-VAE 比纯重建更能从数据扩展中获益，latent temporal distance 随 frame interval 更平滑地变化。需要谨慎的是，这些分析都在同一训练设置内完成；我会继续看这种 latent 优势换到不同 diffusion backbone 后是否仍成立。

论文中的消融与 probing 证据。

消融讲出了一个清楚的过程：predictive reconstruction 先提升生成但伤害重建；motion-aware objective 继续改善生成；decoder fine-tuning 再把重建质量拉回来。probing 任务也有价值，因为它不是只看最终视频分数，而是问 latent feature 是否真的更懂运动。

我的判断：PV-VAE 提醒我们，world-model 式训练可以藏在一个 representation component 里，而不一定是显式 planner。它最强的主张不是“这是完整 world model”，而是“如果要求 latent 预测被遮住的未来帧，latent 会更适合视频生成”。下一步我会看它能否扩展到更长视频、文本条件生成，以及未来依赖动作的机器人交互视频。

关联主题：world models、predictive latents、视频生成、表征设计。

阅读优先级和下期问题

如果目标是 data-agent 产品设计，我会先读 FlexSQL，因为它给了具体工具、循环和失败模式。如果目标是文档智能和 chart QA，我会先读 Chart-FR1，因为它给了“推理绑定视觉证据”的清晰 recipe。PV-VAE 则应该放在 world-model 线继续追：它不是 agent 论文，但让“有用 latent state 应该保留什么”这个问题更锋利。

下期我想继续追三个问题：data agent 能不能学会何时停止探索，而不只是扩大 test-time samples；chart/document model 能否暴露可审计的 focus trace，而不只是训练时有 tag；predictive latent objective 能否加入 action，让它从生成底座走向 planning 底座。