同一天的两篇预印本，从异构资料问答和办公工作区两端拒绝同一件事：把长任务的中间状态全塞进上下文窗口。RECAST 认为答案需要的证据经常不在任何一条原文里，必须过滤、聚合或写程序算出来。RunningTab 认为文件已经读到了也不够，任务还欠什么必须由环境记账，不能指望模型自己记得。
筛选只留新方法，不看热度，也不把它们写成已接收顶会。RECAST（2610.10507）是检索与计算混合的证据路由；RunningTab（2610.10444）是环境侧的任务账本。两篇摘要都没给独立代码仓库，stars 未核。Papers with Code 首页这次超时，下面数字只来自 arXiv HTML。
Yilun Hao、Krishna Sayana、Isabella Ye、James S Ren、Sukhdeep Sodhi、Craig Boutilier、Chuchu Fan（MIT）。arXiv:2610.10507。HTML 脚注写了 equal contribution 和 Google 实习，抽取文本没有把脚注锚到具体姓名，这里不替他们分配单位。
问题用一个例子就够：源里有每月营收和营业利润，问哪三个月营业利润率升得最多。没有任何一段原文直接写着答案。常规 RAG 和 agentic RAG 改的是怎么搜，不改「证据必须先被算出来」。
形式化很短。任务 q，源集合 X，只训练证据构造过程 Gθ，答案模型冻结：
E = G_θ(q, X), y = F_ans(q, E)源先被规则预处理器收成统一记录，再给一个紧凑的源画像 m（规模、结构、字段）。RouterLM 看不到全文。每轮动作只有三类。
CALL_PRIMITIVE：Lexical 用 BM25，Semantic 用 BGE-M3 余弦，Relational 是只读 SQLite。检索要给查询和返回条数，关系运算要给 SQL，也可以限制在前几轮已经圈出的记录上。SYNTHESIZE：原语表达不了时，RouterLM 写一份变换说明。冻结的 CompilerLM 把它译成 Python 再执行。CompilerLM 看不到原任务，所以约束必须写进说明里。ACCEPT_CONTEXT：RouterLM 自己判断证据够了，才把 E 交给冻结的 AnswerLM。成功执行不等于证据够用。状态更新是并集加历史，不是覆盖：Et+1 = Et ∪ ΔEt，历史只追加 (动作, 执行结果)。执行结果含状态、命中数和报错。
只训 RouterLM，两段。SFT 用预训练路由器采样轨迹，冻结裁判判对错，每题选一条又对、可执行、结构合法的专家轨迹；3368 条，并按基准族和难度做封顶上采样。GRPO 只拿「SFT 收集时不是稳定做对」的题：必须至少有一条成功专家轨迹（说明可解）和一条失败轨迹（说明还有空间）。从 SFT 检查点每题再采 4 条，只留成败都有的组。608 个 GRPO 实例，LoRA，Qwen3.5-9B，思考模式关掉。奖励是
R(τ) = 0.90·C(τ) + 0.08·F(τ) + 0.02·V(τ)C 是裁判判的最终对错，F 是和参考答案的 token F1，V 是动作结构是否合法。正确性占九成。
评测把 CompilerLM 和全体方法的 AnswerLM 都固定成 Gemini 3.5 Flash，裁判也是同一个模型、同一条提示、温度 0。多轮最多 6 轮，保留证据最多 4000 字符。域内六个族各 100 道未见题，跑三次取均值：DataBench、FinQA、HiTab、HotpotQA、LaMP、MultiHiertt。对照五档：不给源、单次 BGE-M3 top-3、一次写完全程 Python、IRCoT、Interact-RAG。
| 路由器 / 控制器 | 设定 | 域内平均成功率 |
|---|---|---|
| Gemini 3.5 Flash | Interact-RAG（文中最强大模型基线） | 59.7% |
| Gemini 3.5 Flash | Direct Code（一次写程序） | 45.1% |
| Qwen3.5-9B | RECAST，不训练 | 64.1% |
| Qwen3.5-9B | 最强 Qwen 基线 | 57.0% |
| Gemini 3.5 Flash | RECAST，不训练 | 70.6% |
| Qwen3.5-9B | RECAST，SFT+GRPO | 75.6% |
75.6% 比 Interact-RAG 的 59.7% 高 15.9 个点。不训练的 Qwen 路由器已经高于用 Gemini 当控制器的 IRCoT 和 Interact-RAG，所以动作空间本身（BM25、向量、SQL、临时程序）贡献了一截，不是只有 GRPO。训练再把 Qwen 从 64.1% 拉到 75.6%，并比不训练的 Gemini 路由器高 5.0 个点，六个基准里四个更高。正文说换两个别的裁判、再看 token F1，优势还在；附录 B.4 的逐格数字这次没有核对。
留出集 2WikiMultiHopQA、TAT-QA、WikiTableQuestions 不进 SFT、GRPO 和检查点选择，各 100 题。RECAST 79.3%，最强基线 64.3%，平均高 15.0 个点。域内表 1 的逐基准格子在 HTML 抽取里只有表注、没有单元格，这里不补。
AnswerLM 和裁判都是 Gemini 3.5 Flash。成功率是「这个答案模型加上这个裁判」下的成功率，不是路由器单独的准确率。CompilerLM 看不到原任务，说明写漏了约束，程序会按残缺规格执行。论文没有在摘要里放代码仓库。
Jinheon Baek、Soyeong Jeong、Yumin Choi、Dongsu Han、Sung Ju Hwang（KAIST；Hwang 同时署 DeepAuto.ai）。arXiv:2610.10444。设定叫直接工作区交互（DWI）：不建索引，终端直接对原始文件 ls、grep、打开，最后交出一份由很多文件拼成的交付物，而不是一句短答案。
他们先量「已经看见但交卷时丢掉」。DCI（直接语料交互落到工作区）加 GPT-5.4 nano，在 Workspace-Bench 的 100 个任务上跑三次。失败条目由 LLM 标注，和人工的 Cohen's κ = 0.83。丢分里，抽取出错占 51.1%：其中 Shown but Missing 12.3%（打开过的文件输出里有，交付物里没有），Dropped or Distorted 38.9%。发现失败（该打开的没打开，含列出但没开）占 17.6%。交出了交付物的尝试里，891 个评分细则期望、且曾出现在观察里的不同数值，有 19.8% 没进交付物。
RunningTab 不改怎么找到文件。环境在模型旁边维护一张每任务的账：
实现沿用 DCI-Agent-Lite，终端壳是 Pi，工具是 read 和 bash，最多 300 轮，上下文管理级别 3（截断观察、清掉更早的观察），每题一小时。三个模型：GPT-5.4 nano、DeepSeek V4 Flash、Gemini 3.8 Flash。需要裁判时用各基准自己的协议，模型是 GPT-5.4 mini。账本操作从评测轨迹里拿掉。三次运行取均值。
| 模型 | 基准 | DCI | 模型自己记账的最好对照 | RunningTab |
|---|---|---|---|---|
| GPT-5.4 nano | Workspace-Bench 通过率 / TCR@70 | 41.63 / 20.67 | Self-Tracking 42.93 / 23.00 | 44.73 / 25.67 |
| DeepSeek V4 Flash | 同上 | 53.28 / 38.67 | TODO 54.94 / 38.00 | 59.99 / 41.00 |
| Gemini 3.8 Flash | 同上 | 31.42 / 23.33 | Self-Refine 32.73 / 28.00 | 46.91 / 36.33 |
| GPT-5.4 nano | TheAgentCompany 分 / 成功 | 32.09 / 17.86 | TODO 36.74 / 22.62 | 39.12 / 23.81 |
| DeepSeek V4 Flash | 同上 | 37.47 / 21.43 | Self-Refine 与 Self-Tracking 成功都是 26.19 | 43.11 / 29.76 |
| Gemini 3.8 Flash | 同上 | 26.35 / 19.05 | Self-Refine 分 26.68 | 32.93 / 22.62 |
| GPT-5.4 nano | OfficeQA Pro Acc@0% / @1% | 53.53 / 65.38 | Self-Tracking 55.13 / 66.99 | 60.58 / 71.15 |
| DeepSeek V4 Flash | 同上 | 65.71 / 74.68 | TODO 66.03 / 73.08 | 68.59 / 77.56 |
| Gemini 3.8 Flash | 同上 | 43.08 / 45.64 | Self-Tracking 45.00 / 48.21 | 55.77 / 62.82 |
九个模型×指标组里 RunningTab 都是表内最高。模型自己写 TODO、收尾时自查、或两样都做，提升小，Gemini 上 TODO 和 Self-Tracking 的 Workspace-Bench 通过率还低于 DCI（27.52、26.87 对 31.42）。差别不在「提醒模型要记账」，在账是不是环境写的、会不会被上下文截断清掉。
消融只做了 GPT-5.4 nano × Workspace-Bench。拿掉环境捕获（不再记阅读日志和候选，复查和证据检查一并失效）通过率掉到 41.36，和 DCI 的 41.63 齐平。拿掉复查掉到 41.87 / TCR@70 20.33。拿掉证据检查或收尾检查，通过率都是 42.89。阅读量最高的三分之一任务上，相对 DCI 的增益大约是阅读最少那三分之一的两倍；DCI 自己的通过率从轻到重掉 16 到 27 个点。账本的价值随读过的东西变多而变大。
同一个账，三个模型用法不同。Gemini 每次都先写需求并在收尾检查前拉复查，76.9% 的尝试用复查点名的日志条目来结项。GPT 经常等到收尾检查才碰账，检查之后还有 72.6% 会操作账本、17.1% 会改交付物。DeepSeek 更常去开那些列出但没打开的候选（54.7%）。所以「有账」不等于「会用账」。
阅读日志只存文件内容，不存模型自己算出来的和（比如加总），也不存只在目录列表里见过的值。GPT-5.4 nano 上，交付物丢掉、但观察里出现过的数值，94.8% 仍在账里；把这些值遮住再问同一个模型，不给账只能找回 8.4%，给该需求的复查能找回 45.8%，给整份阅读日志能找回 78.1%。账里有，不等于交付物会写上。Shown but Missing 类细则的满足率只从 DCI 的 20.7% 到 27.0%。
两篇都明确和「模型自己维护状态」划界。RECAST 的相关工作把 IRCoT、Interact-RAG 放在检索侧，把 PAL、Toolformer 一类放在程序侧：前者只挑选源里已经写着的内容，后者常常让程序直接产出最终答案，或只服务一种表。RECAST 把程序降成证据操作，答案仍由冻结的 AnswerLM 在接受后的证据上生成。
RunningTab 的相关工作把 MemGPT、Reflexion、Magentic-One 放在另一边：那些记录是模型写的，完成也是模型标的。环境侧账本的完成条件是「摘录对得上」，不是模型说完成了。
同一天还有一篇可以放在旁边，但不并进主结论。SciExam for ENSO（2610.10513） 让智能体用真实观测建 ENSO 的低阶随机模型，六小时预算内先写诊断，诊断冻结之后只能拿这些诊断当反馈，隐藏评分再测统计、未观测量和留出年份。十二个系统里六个超过一篇已发表模型。它同样把「可反馈的中间对象」从原始材料和最终叙事里拆出来，但是气候建模考试，不是证据路由，也没有和上面两篇共享实验协议。代码在 ylzhang2447/SciExam-ENSO-code。
两篇合在一起，说的是分工，不是又一个更长的上下文。要跨记录计算的东西，交给显式操作和一次编译；要活过很多轮阅读的东西，交给环境记账。上下文窗口继续当当前这一步的工作记忆，不再兼任数据库和项目经理。
RECAST 的 15.9 个点不能读成「小模型碾压大模型做问答」。域内最强对照是 Gemini 控制器的 Interact-RAG，答案模型和裁判仍是 Gemini 3.5 Flash。更值得记住的是不训练的切分：同一套动作空间，Qwen 路由器 64.1% 已经高于 Qwen 最强基线 57.0%，也高于 Gemini 版 Interact-RAG 的 59.7%。GRPO 是在这个动作空间上再加 11.5 个点，而且奖励几乎就是最终对错（0.90）。它优化的是「哪条证据构造路径让答案模型做对」，不是证据本身的某种独立正确性。
RunningTab 的增益很不匀。GPT-5.4 nano 在 Workspace-Bench 上通过率只比 DCI 高 3.1 个点（41.63 到 44.73），Gemini 3.8 Flash 高 15.5 个点（31.42 到 46.91）。论文自己的操作表说明原因：Gemini 会用复查，GPT 多半等到被退回才看账。消融把环境捕获拿掉就回到 DCI，所以不要把它实现成系统提示里的一张 TODO。
落地时两条约束不要丢。RECAST 的编译器看不到原题，路由说明必须自洽。RunningTab 的账不记录派生计算，加总、汇率、只在 ls 里出现的文件名，仍会丢。两篇都还是 2026-10-07 的预印本。