本周 arXiv 的两条独立线索同时打中「把推理做深」这条默认路线。一条来自空间智能：Northwestern / MSR / Stanford 的 MindTopo 证明，最强多模态模型能认出绳结与迷宫连通性，却几乎不会在交互环境里操作这些关系。另一条来自对齐：对 Qwen3 / DeepSeek-R1 的测量表明，把思维链拉长会单调放大对齐损失，注意力被推理 token 稀释后，原始约束开始失效。对 agent 系统来说，这意味着「更深思考」既补不上规划缺口，还会把安全边界变薄。
cs.AI / cs.CL / cs.CV新数据集代码+数据开源NWU / MSR / Stanford
MindTopo: Can Foundation Models Reason in Topological Space?（Yunfei Ge, Anbang Liu, Qineng Wang, Jianfeng Gao, Jiajun Wu, Manling Li 等）
arXiv:2609.11900 · 2026-09-10 · 网站 · 代码 · 数据集
现有空间基准几乎只测度量量：距离、方向、大小、三维位置。认知科学（Piaget）却把拓扑关系——在连续形变下保持不变的连通、分离、顺序、内外、缠绕——放在欧氏几何之前。一个模型可以认出「这根绳子打了结」，却无法规划如何解开。MindTopo 把这个缺口做成可程序化生成、带 ground truth 的评测。
基准共 11,030 条、13 类任务（8,030 推理题 + 3,000 规划回合），难度由参数化生成器控制。每个拓扑性质同时测「认出」和「动手」：
| 性质 | 推理任务（静态视觉 QA） | 规划任务（闭循环 gym） |
|---|---|---|
| 连续性 Continuity | 迷宫可达性 / 加墙后的 what-if | Pipe：旋转管段接通全图 |
| 分离 Separation | 装配体可拆分子组件 | One Stroke：一笔画分割同色区 |
| 顺序 Order | 弯曲珠串的循环次序 | Swap：滑块到达目标排列 |
| 包围 Enclosure | 围栏内外、物体通孔计数 | Chat Noir：封死逃逸的猫 |
| 绳结 Knots | 真结 vs 视觉缠绕、环的链结 | Untangle：移动插头使绳不相交 |
评测 14 个 MLLM（5 闭源 + 9 开源），temperature=0。推理用精确匹配，规划必须在环境里执行动作并到达终止条件才算成功。5 名标注员覆盖 11,008 例，三人子集一致性 0.89；人类宏平均 97.87%。
| 模型 | 推理准确率 | 规划成功率 | 任务宏平均 |
|---|---|---|---|
| 人类 | — | — | 97.87% |
| GPT-5.6-Sol | 66.83% | 52.75% | 61.42% |
| GPT-5.5 | 53.77% | 24.33% | — |
| Gemini-3.1-Pro | 52.24% | 19.23% | — |
| Qwen3.5-397B-A17B | 26.54% | 5.27% | — |
在 Qwen3-VL-2B-Instruct 上，答案监督 SFT、GRPO、以及 SFT+GRPO 的对比很干净：
| 设定 | 宏平均 | 推理 | 规划 |
|---|---|---|---|
| Base | — | 14.24% | 0.20% |
| SFT | 28.83% | — | — |
| GRPO | 18.69% | — | — |
| SFT + GRPO | 31.44% | 51.53% | 6.33% |
SFT+GRPO 把推理从 14.24% 拉到 51.53%，规划只从 0.20% 到 6.33%；Pipe 在所有训练条件下仍是 0%。留一任务的 RL 增益不均匀。图像 / 视频生成当「世界模型」接在规划环路上，生成画面能保留局部线索、到达看起来合理的终点，但审计过的 rollout 不遵守环境动力学，也不在状态转移中保持拓扑。
对 Gemini-3.1-Pro 与 InternVL3.5-241B 的 910 条错误按因果优先级标注：推理错误 58.1% 是感知 grounding，规划错误 43.3% 是动作选择、24.5% 是动力学违规。显式「拓扑不变量算错」反而少（约 4–5%），因为更早的感知或任务失败已经解释了答案。静态题卡在抽视觉状态，交互题卡在合法状态转移。
一句话结论：拓扑直觉不是「再做一个 VQA 基准」。MindTopo 把 Piaget 的五个原语拆成「识别 vs 操作」，结果显示当前 MLLM——包括 GPT-5.6-Sol——卡在把拓扑关系变成合法动作序列。SFT/RL 和视频生成都没能把这条沟填平。
cs.AI / cs.CL新方法 / 新度量上海工程技术大学 / HKUST / A*STAR
Does Deeper Reasoning Compromise Alignment? Revealing and Mitigating of Alignment Collapse in Large Reasoning Models（Yu-Jie Xiong, Henghua Zhang, Bairui Zhang, Jia-Chen Zhang, Shaohua Li）
arXiv:2609.08186 · 2026-09-08
社区默认：更深的 CoT / thinking mode 让模型更懂约束、更安全。作者追问的是相反命题：把推理拉长，本身会不会让对齐变脆？ 已有工作多在构造针对推理过程的攻击；这篇做机制测量——在同一套权重上开关推理深度，看约束遵守如何变。
[X; Y; X]，把约束的相对位置重置到决策点附近。| 设定（AIME 2024） | 干净准确率 | 嵌套扰动跌幅 |
|---|---|---|
| Qwen3-8B，L=0 | 20.83% | −6.67 |
| Qwen3-8B，L=2048 | 24.58% | −9.16 |
| Qwen3-8B，L=4096 | 31.67% | −12.51 |
| Qwen3-14B，L=0 | 31.66% | −2.91 |
| Qwen3-14B，L=4096 | 49.16% | −16.25 |
一句话结论：更深推理提高的是干净任务分，不是约束鲁棒性。机制上这是注意力容量被思维 token 挤占；工程上「把原始指令在决策前再贴一次」比继续加长 CoT 更对症。
这篇论文含越狱评测。本文只报告现象、度量和防御思路（注意力稀释 / 残差回锚），不复述攻击构造步骤。ALR 是相对跌幅：干净分也随 L 上升，所以「崩塌」指的是增益变脆，不是绝对能力倒退。
| 论文 | 要点 | 与本主题的关系 |
|---|---|---|
| 2609.11859 From Parameters to Answers | 对 Qwen / Llama / Gemma 做层间干预：先分离「路由」（去哪取知识）和「内容」（取到了什么）；早期参数路由生效时答案内容仍在形成，后期因果依赖从路由交接到已形成的 hidden-state 内容。三条模型轨迹不统一，Llama 在同样门槛下没有持续的路由窗口。 | 把「模型如何取用内部知识」拆成可干预的两段，和 MindTopo 的「认出 vs 操作」、对齐文的「约束 vs 推理 token」是同一类功能分离。 |
| 2609.09030 Answer-Distribution Trajectories | 16 个开源模型 × 4 个推理基准。跟踪推理过程中完整答案分布，而不是终点准确率或熵曲线。相同终点、相近熵的轨迹，探索 / 修正 / 承诺动力学可以完全不同；训练与推理选择会系统性改写这些剖面。 | 给「更深」提供了比 token 长度更细的坐标系：失败可能发生在探索阶段，也可能发生在该承诺却不承诺。 |
| 2609.11768 Per-token gating family（EMNLP 2026 Findings） | 把 EOPD / ToDi 的 per-token FKL/RKL 门控收成四系数参数化；在 TweetEval 上，完整家族在 36 格里有 33 格高于单通道限制。作者明确把结果当探索性方向证据，n=3 复现方向一致但不显著。 | 顶会 Findings 的诚实写法：给蒸馏门控一个公共坐标系，而不是再报一个 SOTA 点。 |
| 2609.11913 Distance generalization in transformers | 固定上下文长度、改变 token 间距，测 RoPE / ALiBi / NoPE 的距离外推；数据多样性（训练见过多少间距）比编码方案本身更关键。 | 和 MindTopo 的「拓扑不变、度量可变」对照：位置编码处理的是度量距离，拓扑关系仍是空白。 |
1. Agent 的瓶颈在「合法状态转移」，不在「再认一次场景」。 MindTopo 上开源模型规划接近地板、SFT/RL 几乎只抬推理、视频生成又不守动力学——这和「给 agent 加一个世界模型就行」的叙事冲突。短期更有效的是：把拓扑 / 连通 / 不相交写成环境校验器（像代码里的类型检查），而不是指望 VLM 在像素上内化 Piaget。
2. Thinking 长度是对齐税，不是免费能力。 ALR 随 L 单调上升，和上周报告里 Reasoning Tax / TES「高 effort 边际收益递减」是同一条曲线的安全和能力两侧。部署默认应限制推理预算，并在最终作答前把原始约束回锚（RRA 的 [X;Y;X] 是最小实现）。
3. 该测的是功能交接，不是终点分。MindTopo 的识别→规划、2609.11859 的路由→内容、2609.09030 的探索→承诺，都在说同一件事：终点正确率把不同失败机制压成一个标量。下一轮系统论文如果还只报 pass@1 / AIME，会漏掉真正可修的接口。
保留意见：(a) MindTopo 的规划环境是离散 gym，不是真实机器人；Untangle 评的是投影相交而非三维纽结类，不能直接外推到操作绳索。(b) 对齐文的扰动与越狱评测覆盖 Qwen3 / Llama2 / DeepSeek / Claude-Haiku-4.5 / GLM4.6，机制分析主要靠注意力与位置编码，作者自己承认不是全部原因。(c) RRA 把输入再拼一次，长上下文下的延迟和位置编码副作用未充分量化 [INFERRED]。(d) 2609.11768 的 n=3 复现不显著，不宜当蒸馏 SOTA 引用。
把两篇合起来看：2026 年 9 月的信号不是「模型还不够深」，而是深度被用在了错误的计算位置——静态识别和干净数学在变强，交互规划和对齐约束在变弱。