第二期小路和你读AI论文。本期五篇。如果时间不多，建议读第四篇最有意思也最有启发：来自蚂蚁集团的《借助围棋死活题探测大语言模型推理中的搜索效率》今天除了”Agent 技能/记忆持久化安全隐患”这条线之外,还有一类工作挺有意思:用大规模受控实验去戳破业界的一些直觉判断,比如”LLM 能不能取代 embedding 模型””CoT 越长是不是推理越好”。 1. The Embedder’s Dilemma: LLMs Are B…

本期五篇论文集中挑战了两个业内直觉：LLM 并不天然适合替代 embedding 模型；CoT 越长也不代表推理更好。其中蚂蚁集团的围棋死活题测评（TsuGO）最值得一读，它给“推理能力评估”提供了一个新维度。

一句话看懂：本期五篇论文集中挑战了两个业内直觉：LLM 并不天然适合替代 embedding 模型；CoT 越长也不代表推理更好。其中蚂蚁集团的围棋死活题测评（TsuGO）最值得一读，它给“推理能力评估”提供了一个新维度。

事件核心：发生了什么

这期论文推荐来自账号 @Zen_with_AI，共五篇，大体可分成两条线。一条是 Agent 安全与协作：香港城市大学团队的“Practice Makes Unsafe”研究了自我改进型 LLM Agent，发现 25 种 Agent-方法组合中有 21 个进化配置都会产生“成功但不安全”的技能；恶意任务暴露让跨会话攻击成功率从 16% 升至 35.3%。另一条是“反直觉实验”：Muennighoff 和 Google Gecko 论文作者对比了 10 个 LLM 与 26 个 embedding 模型、横跨 37 个任务，结果显示最强 LLM（Gemini 3.1 Pro）与最强 embedding 模型得分几乎打平，但 LLM 单次推理成本最高是 embedding 模型的 1431 倍，速度慢 2.5 到 736 倍。

重点推荐的是蚂蚁集团团队的 TsuGO（论文前缀显示疑似蚂蚁相关）。它用围棋死活题这种解空间封闭、可验证的对抗性任务，把思维链拆成结构化搜索树来评测。结果发现：更长的 CoT 或更高的 Token 效率，并不必然意味着更强的搜索能力；当前 LLM 的搜索行为更像无引导的暴力搜索，距离 KataGo 式的神经网络引导搜索仍远。另有清华 KEG 实验室的 SAEVerbalizer（让稀疏自编码器特征直接“讲出”自身含义）和一份 49 页的独立作者形式化契约论文，均偏理论但有明确增量。