为什么重要：本周 arXiv 在"不需要重建架构"这个方向上连续出现 3 篇文章——T2MLR 只动中间 20% 层就能 retrofit 旧 Transformer 形成 latent reasoning 通道，PRISM 用单层 L2 逻辑回归就能从 hidden state 分离"物理危险"与"内容危险"，Statistical Self-Consistency 直接揭示 Persona Prompting 下的"宏谬误"。三条线汇拢到一件事：我们还没榨干 dense Transformer 的隐状态。
arXiv:2607.15178 Transformer with Temporal Middle-Layer Recurrence (T2MLR)
Submitted 17 Jul 2026 · cs.CL / cs.AI
自回归推理反复把富隐状态压回 token 空间，中间层的 reasoning state 难以跨 token 持续。已有方案（loop over all layers、CoT decoding、辅助 hidden pass）是 effective 但 expensive 或 invasive。
| 基线 | 路径 | 关键收益 |
|---|---|---|
| 数据 / 参数匹配 Transformer | T2MLR 全程 vs dense | NLP pretrain + 多跳 reasoning FT 上 consistently 胜 |
| Full-layer recurrence | Middle-layer 20% | 20% 中层版本 often beats 全层循环 |
| 1.7B pretrained Transformer | T2MLR retrofit | 不退化、不重训即可拉高 math reasoning |
Mamba / RWKV / DeltaNet 等 latent-state 模型的同等预算对比。arXiv:2607.15218 PRISM: When Words Are Safe But Actions Kill
Hidden-state 物理安全探测器。一层 L2-regularized logistic probe → 86.2–87.7% accuracy on SafeAgentBench (FPR 11.7–13.7%)，而同尺度 LLM judge 的 FPR 24.7–39.0%。同年发布 PhysicalSafetyBench-1K (PSB-1K)，对 PRISM 99.6% accuracy / 0.7% FPR，但 Qwen2.5-3B judge 拒绝 67.8% 的安全任务。
对齐 T2MLR 的视角：两者都认为 latent space 里有未被利用的结构。T2MLR 利用它做 reasoning 持久化，PRISM 利用它做内容/物理安全可分性。"reasoning 与 safety 同源——都在隐藏状态里。"
arXiv:2607.15277 Partition, Prompt, Aggregate: Statistical Self-Consistency in Language Models
把 LLM 视作条件分布估计器，用二叉树递归切分总体，再 verbalize 子群给模型加 prompt，聚合回去评估总体估计。发现 frontier LLM 在多个域都违反概率恒等式（不满足 law of total probability），并命名为 macro fallacy：细粒度子群估计反而比直达总体估计更对齐人类数据。
意义：当 prompt 工程从"问好问题"上升到"分层 ask"，衡量这件事的元指标从"答得对"升级为"估计分布一致"。
arXiv:2607.15241 Beyond the Leaderboard: Trustworthy Multimodal VQA · IEEE CBMS 2026
用 Medico 2025 9 个 GI endoscopy VQA 系统做回顾：参数高效适配强但不可解释；结构化推理 + 显式 grounding 更可靠但只是相关性证据。验证：leaderboard 分数和临床 faithfulness 之间存在系统性 gap，需要 leakage-aware 数据治理 + 轻量鲁棒性 / 校准 check。
T2MLR 的真正卖点是 "retrofit"。它把这周的论点从"改架构"拉回"改 wiring"——把一条横向 path 接在中间层的残差流上，旧 Transformer 不重训就能拿到 latent reasoning。这与 Sora、Llama-4 早期那种"要大改 transformer block"的路线相反。
与之并列的 PRISM 做了一个有意思的事：单层 logistic 就能把"内容危险 / 物理危险"分干净。这意味着当前 dense Transformer 的隐藏状态空间是过工程化的——大量可分性没被现有方法捕获。
判断保留：所有 3 篇结论都需要复现验证，T2MLR 的 retrofit 在 7B+ 模型是否成立、PRISM probe 是否对 OOD prompt 稳健、Self-Consistency 的 macro fallacy 是否被 prompt 增加导致而不仅是 latent surface——这三点是这一波"挖掘 latents"叙事能否立稳的真正考验。