本期从 filtered_papers.json 的 30 篇预筛选论文中，跳过过去 7 天已报道的 arXiv ID 后，收录 5 篇新论文。今天的新增论文集中在可验证推理评测、机器人操作基础模型、图像生成数据构造、游戏工程代码基准和 LoRA adapter 合并预测。

数据来源：HuggingFace Papers 为主；本轮 fetch_papers.py 抓取到 100 篇 HuggingFace 条目，arXiv 补充返回 0 篇，因此以 HuggingFace 条目及其 arXiv 链接为准。

重点推荐

1. DeFAb: A Verifiable Benchmark for Defeasible Abduction in Foundation Models

• arXiv: 2606.18557 | PDF
• 作者：Patrick Cooper, Alvaro Velasquez
• 分类：LLM Training | 评分：14 | 日期：2026-06-17

中文摘要：DeFAb 是一个面向“可废止溯因推理”的可验证 benchmark。它把 OpenCyc、YAGO、Wikidata、ConceptNet、UMLS 等知识库转成形式化实例，要求模型构造能解释异常的假设：这些假设可以覆盖默认规则，但不能破坏无关预期。每个答案都要通过多项式时间检查，包括有效推导、保守性和最小性。数据规模超过 37 万个实例、3375 万条物化规则，覆盖 18 个来源和 3 个难度层级。作者报告称，规则求解器能在 50 微秒内 100% 解出实例，而最强前沿语言模型最高只有 65%，在 rendering-robust 评测下最低跌到 23.5%。论文还发布 DeFAb-Hard 和基于 Lean 4/Mathlib 的 CONJURE，用 proof kernel 做 judge-free 验证。

小爱精评：这篇很适合拿来戳破“模型看起来会推理”的幻觉。它不让模型写漂亮解释，而是要求输出能被形式系统检查的理论修订，这比普通问答 benchmark 更硬。最有价值的点是 verifier 可以直接当 DPO、RLVR/GRPO 的精确 reward，用来训练模型做可验证的创造性假设构造。风险也很明显：形式逻辑任务和真实开放世界推理之间还有距离，但作为“模型能不能稳定遵守理论约束”的测试，它很锋利。

2. Qwen-RobotManip Technical Report: Alignment Unlocks Scale for Robotic Manipulation Foundation Models

• arXiv: 2606.17846 | PDF
• 作者：Haoqi Yuan, Zhixuan Liang, Anzhe Chen et al.
• 分类：LLM Training | 评分：14 | 日期：2026-06-17

中文摘要：Qwen-RobotManip 研究语言和多模态基础模型里的“对齐加规模化”路线，能否迁移到机器人操作。机器人数据天然异构、昂贵且多样性窄，直接堆数据往往互相冲突。作者基于 Qwen-VL 构建 Vision-Language-Action 模型，并从表示、运动和行为三个维度做统一对齐，让多源操作数据可以一起训练。系统还用人类第一视角手部演示合成机器人轨迹，覆盖 15 种平台，并用开源数据和人类视频构建约 38100 小时预训练语料。实验显示模型具备零样本指令跟随、扰动鲁棒性、错误恢复和跨 embodiment transfer，在 RoboCasa365、LIBERO-Plus、EBench、RoboTwin 等 OOD 设置中超过 π0.5，并在 RoboChallenge 上取得第一。

小爱精评：这是今天最值得看的机器人论文。它的重点不是又做了一个 VLA，而是把“异构机器人数据怎么对齐到同一个可规模化训练问题”讲清楚了。如果这些结果能在真实平台上复现，说明机器人操作模型可能正在进入类似 LLM 早期的阶段：关键瓶颈从模型结构转向数据对齐、数据治理和规模化训练配方。需要重点看技术报告里各个 OOD benchmark 的定义，因为机器人论文最容易在评测环境和真实部署之间出现落差。

生成、代码与模型工程

FreeStyle: Free Control of Style-Content Dual-Reference Generation from Community LoRA Mining

• arXiv: 2606.20506 | PDF
• 作者：Jinghong Lan, Wei Cheng, Yunuo Chen et al.
• 分类：LLM Training | 评分：13 | HF upvotes：24 | 日期：2026-06-18

中文摘要：FreeStyle 面向 style-content dual-reference generation：给一张内容参考图和一张风格参考图，生成既保留内容结构语义、又采用目标风格的新图像。论文指出瓶颈在于缺少大规模、内容和风格解耦干净、覆盖长尾风格的数据。作者把社区 LoRA 当作风格和内容的组合锚点，通过挖掘 LoRA、生成和过滤流程构造大规模三元组数据。为降低风格图中的语义泄漏，方法采用两阶段课程：第一阶段用 attention-level enrichment constraint 抑制风格参考泄漏，第二阶段用 frequency-aware RoPE modulation 处理更难的双参考位置对应泄漏。论文还提出覆盖风格参考和双参考生成的 benchmark，评估风格相似、内容保持、美学、指令遵循和泄漏拒绝。

小爱精评：这篇的聪明之处在数据来源。社区 LoRA 本来就是创作者把风格、角色、内容概念拆出来的结果，拿它反向挖掘训练数据，比从网页图文里硬找“同内容不同风格”的配对现实很多。它对创作工具很有用，尤其是“用这张图的构图，套那种画风，但别把风格图里的人物也带过来”这种需求。后续要看 benchmark 是否足够防泄漏，以及模型是否会过度继承社区 LoRA 的版权和风格偏差问题。

JAMER: Project-Level Code Framework Dataset and Benchmark on Professional Game Engines

• arXiv: 2606.19830 | PDF
• 作者：Jianwen Sun, Chuanhao Li, Zizhen Li et al.
• 分类：LLM Training | 评分：13 | HF upvotes：3 | 日期：2026-06-18

中文摘要：JAMER 提出 JamSet 和 JamBench，用来评测专业游戏引擎里的项目级代码工程能力。作者从 Game Jam 开源项目出发，利用 Godot 的文本格式和 headless execution 能力，从超过 24 万个仓库中筛出 8133 个可验证项目，其中 300 个手动验证项目组成 JamBench，其余构成 JamSet。JamBench 包含主题驱动生成和代码补全任务，评测指标结合编译通过率、结构完整性分数和行为对齐分数。对 9 个前沿模型的评测显示，项目规模一大能力会断崖式下降：小项目 runtime pass rate 可达 80.4%，大项目 Task2a 只有 5.7%。Code Agent 能提高编译率，但几乎不能提升运行时行为质量，说明瓶颈在架构设计而不是语法正确性。

小爱精评：这个 benchmark 很有现实意义。现在很多 coding eval 还停留在单文件算法题或小型 repo 修补，但真正做游戏是资产、场景、脚本、状态机、输入、物理和 UI 的系统工程。JAMER 把“能不能编译”和“行为像不像题目要求”分开，会更容易看出模型到底是在修语法，还是在做项目架构。对 coding agent 来说，这类 benchmark 可能比又刷高 HumanEval 更有参考价值。

Predicting Mergeability of Parameter-Efficient Fine-Tuning Updates

• arXiv: 2606.19549 | PDF
• 作者：Lin Tang, Wei Zhang, Jing Li et al.
• 分类：LLM Training | 评分：13 | HF upvotes：1 | 日期：2026-06-17

中文摘要：这篇论文研究 LoRA 等参数高效微调 adapter 的可合并性。通常两个 adapter 是否能合并，要等训练完成并实际合并评测后才知道；但单独表现好的 adapter 合并后可能互相干扰。作者把 adapter mergeability 定义为合并后保留单任务能力的程度，并发现它可以从训练早期的信号预测出来，尤其是不同任务的低秩更新、梯度对齐程度，以及它们扰动共享表征的幅度。论文提出 MergeProbe，用这些轻量信号预测 pairwise 和 set-level retention，并给出具体决策：直接合并、重加权、剪枝或路由。在 MERGE-PEFT 五领域 benchmark 上，MergeProbe 在平均和最差保留率上优于多种干扰感知合并基线，同时比完整任务路由更轻。

小爱精评：这篇是很实用的模型工程论文。现在大家会为不同领域训练大量 LoRA，但 adapter 库一多，怎么组合就会变成运维问题。MergeProbe 把“训练完再试错”提前成“训练早期就预测能不能合并”，能节省不少实验成本。它也提示一个更大的方向：PEFT 的组合管理会逐渐从手工经验，变成可测量、可决策的系统问题。

今日观察

今天的新论文数量不多，但方向很清楚。机器人操作开始认真处理异构数据对齐和规模化训练，代码模型评测开始走向项目级行为验证，推理 benchmark 也在从“答案像不像”转向“能不能被形式系统验证”。另一个信号是模型工程越来越重视训练前和训练中的可预测性：无论是 FreeStyle 用社区 LoRA 挖数据，还是 MergeProbe 预测 adapter 合并，都在把原本靠事后试错的流程前移。

生成时间：2026-06-21 00:00 UTC