Weekly Report — 2026-W40 (2026-09-28 ~ 2026-10-04)

本周重点是通过严格的审计、VLM benchmarking 和高级 robotic policy evaluation，将高风险研究从文档阶段过渡到 operational readiness 阶段。主要成就包括成功部署 RecoverBench framework，通过 visual-only memory architectures 优化 OmniJev，以及对学术申请材料和 WeAgent infrastructure 进行技术完善。

Weekly Overview

Metric	Value
Date Range	2026-09-28 ~ 2026-10-04
Active Days	6 / 7
Total Conversations	48
Projects	32
Tasks Completed	47
Tasks In Progress	15
Total Tokens	7,527,067,752
Total Cost	$2,744.02
Claude Code Token	7,488,004,360
Claude Code Cost	$2,677.32
Codex Token	39,063,392
Codex Cost	$66.70
Daily Average Cost	$457.34

Project Progress

RecoverBench (4 days active) — 🔄 active

Accomplishments:

• 完成了带有 deterministic numerics 的 Phase 2 实现
• 通过 multi-agent workflows 执行了大规模的 claim vs. evidence 审计
• 发起了 Phase 3 deployment audits 和 human demo reconciliation

Blockers:

• ⚠️ 需要协调 recording requirements 和 operator kit bugs

OmniJev / VLM Evaluation (4 days active) — 🔄 active

Accomplishments:

• 通过 visual-only arm 实现达到了 77.5% 的成功率
• 建立了基于 HTTP 的 closed-loop evaluation architecture
• 发现 GPT-6 Astra 在 long-term object identity tracking 方面优于 Gemini 3.1 Pro

Blockers:

• ⚠️ wrist-camera tasks (BinFill) 中的 visual noise

MIHD / MihD-dev (3 days active) — 🔄 active

Accomplishments:

• 组装了完整的 first manuscript draft
• 启动了 Round 3 subagent management (13 agents)
• 建立了 decision register 和 formal scientific guardrails

Blockers:

• ⚠️ 等待 high-level policy decisions (H1-H7)

WeAgent / Wechat Integration (3 days active) — 🔄 active

Accomplishments:

• 将核心逻辑迁移到 AstrBot plugin architecture
• 集成了 LifeCopilot entry 和 channel token authentication
• 使用 ‘Replay’ 方法解决了关键的 SQLite WAL corruption 问题

Blockers:

• ⚠️ 在 auto-restarts 期间维持稳定性

Academic/PhD Application (3 days active) — 🔄 active

Accomplishments:

• 重构了 CV，以优先展示 research identity 和 impact
• 生成了交互式的 PhD/MS program dashboard
• 进行了大规模的 advisor reputation 和 alignment 审计

Key Tasks

• 🔄 RecoverBench Claim & Code Audit — 执行大规模 workflow，针对所有 research claims 与 code、data 及 cluster artifacts 构建 ‘have/missing/differs’ ledger；从 claim-compliance 转向 operational usability/pipeline gap analysis。
• 🔄 MIHD Manuscript Drafting & Investigation — 组装了 MIHD manuscript 的完整初稿，并启动了多阶段 investigative workflow，以根据已发表的 methodology 审计当前的实现情况。
• ✅ OmniJev Closed-loop Deployment & Optimization — 建立了独立的基于 HTTP 的 evaluation architecture，并验证了 ’event memory + point-wise judgment’ 逻辑在 VideoPlace tasks 中的性能提升。
• ✅ W4A4 Closed-Loop Evaluation — 在 CPU 上评估了 W4A4 配置，由于显著的 backbone activation degradation，识别出成功率为 0.0%。
• ✅ OmniJev 16-task Extension & Evaluation — 为 16 个 RoboMME tasks 实现了 shim extensions 和 truth replay，并使用 2B model 进行了完整的 closed-loop evaluation。
• 🔄 Gemini Visual-Only Integrity Enforcement — 通过剥离 proprioception 并实现基于 detection 的 visual window tracking，执行纯视觉的 Gemini arm ablation。
• ✅ Advisor Reputation Audit (Top 50) — 对数百名教授进行了详尽的多阶段 workflow 审计，以筛选指导风格、program protection 和 research alignment。
• ✅ Fix SQLite WAL Merge Integrity — 为解密的 WAL files 实现了一种稳健的 ‘SQLite Replay’ 方法，以确保 integrity 并处理复杂的 checkpointing/frame validation rules。

Problems & Solutions

1. RecoverBench paper claims 与实际使用的 training data 之间的差异。[RecoverBench]

Solution: 进行了系统的 agentic audit，将 claims 映射到 cluster 上的实际文件；实现了 ‘Claims/Evidence’ ledger。

2. ResNet shortcut 实现使用了 projection convolutions 而不是 identity requirement。[ECE661/ResNet]

Solution: 重构了 ResNet class 以实现 Option A (identity shortcut) 并重新训练了模型。

3. 由于 Conv3d patch embedding bottleneck，OmniJev M2 执行速度极慢。[OmniJev]

Solution: 用等效的 linear layer 替换了缓慢的 torch 实现，将每张图像的 latency 从 16s 降低到 0.06ms。

4. W4A4 quantization 导致严重的性能下降 (0% 成功率)。[Quantization/VLA]

Solution: 确定 backbone activation 是错误来源，并建议转向 W8A8 以避免 non-functional quantization graphs。

5. SQLite WAL merge 导致数据库损坏和 ‘quick_check’ 失败。[WeAgent]

Solution: 使用官方 engine 的 ‘SQLite Replay’ 方法替换了手动 merging logic，以回放解密的 WAL files。

6. 由于隐藏的 proprioceptive data 使用，导致 robot policy evaluation 成功率虚高。[OmniJev]

Solution: 实现 DRAWN_MEMORY_VISUAL_ONLY/TRACK flags 以强制实现 zero proprioception，将成功率修正为 65.0%。

Learnings

Architecture (architecture)

• 在 multimodal agents 中，分解 memory tasks（使用 code 处理 temporal/sequence logic，使用 VLM 处理 perception）优于使用 VLM 进行所有 reasoning。
• 对于研究导向的身份（CVs/PhD），优先考虑问题定义和 research intuition 的战略性叙述比单纯罗列技术细节更有效。

Debugging (debugging)

• GPU kernel autotuning（例如 Triton GEMM/XLA）可能会引入模拟 code regressions 的 non-determinism；在进行 benchmarks 时需要强制使用 deterministic autotuning。

Domain Knowledge (domain)

• 由于硬件会自动为某些操作使用 FP16，4-bit simulations 在预测硬件精度方面可能过于悲观且不可靠。
• 可靠的 robot learning 必须区分 ‘arbitrary starting state’ 和 ‘state following an execution error’，以衡量真正的 error recovery。

Tools (tools)

• 在处理像 SQLite WAL 这样复杂的 database internals 时，使用官方 engine 来 replay 解密文件比实现自定义的 manual merging 更安全。

AI Usage Notes

Effective Patterns:

• ✓ 用于 ‘Claims/Evidence’ 审计的 Multi-agent workflows
• ✓ 使用 writer/reviewer/adversarial loops 进行 Agentic manuscript drafting
• ✓ 使用 AI 将 high-level scientific constraints 整合为 structured decision tablesLimitations:
• ✗ AI 在研究推断中倾向于“过度确定性” (over-certainty)
• ✗ 在没有显式提示的情况下，无法识别 policy evaluations 中的非视觉数据泄露
• ✗ 在 multi-agent loops 中难以管理复杂的、高精度的数据结构 (AttributeError/KeyError)

Next Week Outlook

下周的优先级包括：完成 quantized pi0.5 的 LIBERO evaluation；完成将 MIHD 项目重构为 Full/E2E/Demo levels 的工作；推进 RecoverBench camera-ready 版本中详细错误定义 (H1, H2, H5) 的实现。此外，专注于 VLA quantization recovery (W8A8) 以及完成 Gemini vs. Astra visual prompt comparison 也将至关重要。

Token Usage Statistics

Peak Day: 2026-10-04 — $887.99 / 2626.2M tokens

Daily Average: $457.34