DynaCAST：面向长时程语言智能体的干预锚定状态

基于摘要分析。DynaCAST 研究长时程语言智能体如何保存紧凑、持久且与未来决策相关的状态，核心贡献是用可执行干预产生的受控未来，界定目标、世界与计划发生变化时哪些历史差异值得保留，而不只优化记忆保留或预测。 方法在可重置环境中执行目标、物理世界及路线干预，为持久的目标、世界和计划寄存器提供学习依据。针对开放式语言动作难以跨历史比较的问题，作者采用规范动作类别与冻结的参数绑定分布；再通过共享的传输耦合和共同的最大化控制，构造全局与组件级 Bellman 目标。作者称这些目标具有精确兼容性，并为精确算子建立收缩性与 covered-value preservation 性质；这些结论不能直接等同于有限样本、近似训练下的保证。 作者报告，在八个基准、四个模型家族上的九组匹配基线／控制比较中，相对于直接 Monte Carlo 度量，匹配的有限时域 Bellman 自举在两种状态架构下带来 1.6–3.1 分的宏平均任务得分增益。模型包括 Qwen2.5-7B、Llama-3.1-8B、Gemma-2-9B-IT 和 Mistral-7B-Instruct；该得分差不应改写为 Accuracy 或相对百分比提升。作者另报告，干预与寄存器消融用于识别可执行控制和模块化状态的贡献，并在 24 个枚举的配送结构因果模型（SCMs）上进行精确检查，以验证算子实现。 摘要未列出基准名称、任务得分尺度、具体划分及误差范围，实验协议、消融细节及统计信息尚未验证。复现需进一步核对环境重置与干预接口、动作规范化及参数绑定分布的构造，以及传输耦合和共同控制的实现。原研究对象是语言智能体，并非神经信号建模；其对 EEG/BCI 的适用性尚未验证，相关工作尚未检索确认。