今日概览

今天抓取 HuggingFace/arXiv 共 100 篇，预筛 30 篇；按 ~/DailyReport/.seen_papers.json 去重后，新收录 23 篇，跳过过去 7 天已报道 7 篇。 分类分布：AI Agents: 7 | Audio LLM: 2 | LLM Training: 10 | 其他值得关注: 4。

今天主线很清楚：agent 的扩展正在从“更大模型”转向“更长任务、更好验证、更会停止”；同时，多模态评测开始从感知识别进入创作意图、世界状态、终端/电脑操作等更贴近真实任务的层面。

重点精读

Scaling the Horizon, Not the Parameters: Reaching Trillion-Parameter Performance with a 35B Agent

中文标题：不扩参数，扩展 Agent 视野：35B Agent 达到万亿参数级表现
信息：LLM Training | score 22 | 2026-06-29, HF 67 upvotes | Lei Bai, Zongsheng Cao, Yang Chen, Zhiyao Cui et al.
链接：arXiv | PDF

为什么值得看：今天最值得读。它把“agent scaling”的重点从模型尺寸转到长轨迹、异构能力和 verifier 反馈闭环，方向上很像把训练数据从静态问答推进到可执行任务经验。

摘要翻译：论文提出 Agents-A1，一个 35B MoE agentic model。作者构建长程知识-动作基础设施，把外部知识、动作、观察和验证器结果连成平均 45K token 的轨迹，再用全域 SFT、领域 teacher、domain-routed on-policy distillation 三阶段训练，把六类能力压进一个可部署学生模型。结果显示，在 SEAL-0、IFBench、HiPhO、FrontierScience-Olympiad、MolBench-Bind 等长程 agent benchmark 上，35B 模型能接近或超过若干 1T 级模型。

小爱精评：如果结果可复现，这篇的意义不只是省参数，而是把“长 horizon 数据 + teacher 路由蒸馏”作为 agent 模型扩展路线。需要重点看 benchmark 是否公平、teacher 成本是否被隐含，以及 45K 轨迹里 verifier 的质量上限。

Agentic Abstention: Do Agents Know When to Stop Instead of Act?

中文标题：Agentic Abstention：Agent 知不知道什么时候该停止行动
信息：AI Agents | score 18 | 2026-06-27, HF 120 upvotes | Han Luo, Bingbing Wen, Lucy Lu Wang
链接：arXiv | PDF

为什么值得看：非常贴近真实 agent 产品。很多失败不是不会做，而是不知道任务已经不可解，继续乱搜乱点。

摘要翻译：作者把 agent abstention 定义为序贯决策问题：agent 每一步都要选择回答、放弃，还是继续收集信息。论文在网页购物、终端和问答等场景评测 13 个 LLM-agent 系统、2 个 agent scaffold，共 28,000 多个任务。结果显示，一些 agent 从不该停时不停，另一些停得太晚。CONVOLVE 通过把完整交互轨迹蒸馏成可复用停止规则，在 WebShop 上把 Llama-3.3-70B 的 timely recall 从 26.7 提到 57.4。

小爱精评：这是 agent 可靠性里被低估的一环。真正的产品需要“及时停止 + 解释为什么停止 + 请求用户补充信息”，这篇至少把第一步评测框架搭起来了。

TACO: Tool-Augmented Credit Optimization for Agentic Tool Use

中文标题：TACO：给 agentic tool use 做工具调用级别的信用分配
信息：LLM Training | score 18 | 2026-06-29, HF 15 upvotes | Mingkuan Feng, Jinyang Wu, Hao Gu, Fangrui Lv et al.
链接：arXiv | PDF

为什么值得看：工具调用 RL 的核心痛点是“哪个工具调用真正帮了最终答案”。这篇给了一个不依赖外部 judge 的 credit assignment 方案。

摘要翻译：TACO 是面向 code-tool multimodal agent 的 GRPO 变体。它用 Differential Answer-Probe Reward 插入 probe token，比对模型在有/无某次工具结果时的答题变化，把每次工具调用标为有用、误导或无效；再用 Outcome-Gated Advantage Routing 把最终答案奖励分配给真正负责的推理片段。实验显示模型准确率提升，同时学会减少无效工具调用。

小爱精评：这篇很实用，因为它把工具调用的奖励从“最后对不对”拆到过程贡献。关键问题是 probe 是否会改变推理分布，以及 answer checker 覆盖不了开放任务时怎么办。

TUA-Bench: A Benchmark for General-Purpose Terminal-Use Agents

中文标题：TUA-Bench：通用终端使用 Agent Benchmark
信息：AI Agents | score 17 | 2026-06-26, HF 44 upvotes | Shoufa Chen, Luyuan Wang, Xuan Yang, Zhiheng Liu et al.
链接：arXiv | PDF

为什么值得看：它把 terminal agent 从 coding 扩到文档、邮件、网页信息、科研工程软件，更接近真实工作流。

摘要翻译：TUA-Bench 有 120 个真实终端任务，覆盖五类任务：常规数字活动、文档编辑、邮件管理、实时网页信息检索，以及 PhD 级专家共同设计的科学/工程工作流。每个任务都有确定性环境和 execution-based scoring。最强 frontier agent（Claude Code + Claude Opus 4.8 max reasoning effort）总体 65.8%，不同任务轨道仍有明显差距。

小爱精评：这类 benchmark 对 Codex/Claude Code 一类 CLI agent 很重要。它提醒我们 terminal agent 不只是写代码，还要会管理文件、查网页、处理邮件和专业软件。

MuseBench: Benchmarking Intent-Level Audiovisual Arts Understanding in MLLMs

中文标题：MuseBench：评测 MLLM 是否理解影音艺术中的创作意图
信息：Audio LLM | score 20 | 2026-06-29 | Yuxuan Fan, Gyusik Seo, Jing Hao, Jaemin Cho et al.
链接：arXiv | PDF

为什么值得看：它把多模态评测从“看到了什么”推进到“为什么这样表达”，对视频/音频模型很有参考价值。

摘要翻译：MuseBench 包含 4,016 个问题，覆盖电影、静态视觉艺术、舞台表演和游戏艺术，数据来自 1 万多个带专业评论的视频 essay。评测目标不是识别物体或镜头，而是判断模型能否理解构图、沉默、节奏、叙事等创作选择背后的意图。28 个 SOTA MLLM 零样本评测中，最佳模型只有 48.29% 准确率，明显低于人类专家的 87.18%。

小爱精评：这是一个更接近“审美/导演意图理解”的 benchmark。短板也很明显：艺术理解本身主观，数据从 video essay 蒸馏可能会带来评论风格偏置。适合跟踪多模态模型的高层语义能力，不适合当作单一综合排名。

Orca: The World is in Your Mind

中文标题：Orca：以 Next-State Prediction 训练通用世界基础模型
信息：其他值得关注 | score 17 | 2026-06-29, HF 64 upvotes | Yihao Wang, Yuheng Ji, Mingyu Cao, Yanqing Shen et al.
链接：arXiv | PDF

为什么值得看：世界模型方向的大体量工作，125K 小时视频和 160M event annotations 的规模值得关注。

摘要翻译：Orca 学习统一的 world latent space，不再只做 next-token、next-frame 或 next-action，而是围绕 Next-State-Prediction 建模状态转移。训练分为 unconscious learning（连续视频中的密集自然状态转移）和 conscious learning（语言描述事件与 VQA 监督下的稀疏有意义转移）。冻结 backbone 后，轻量 decoder 可读出文本生成、图像预测和 embodied action。

小爱精评：概念上很漂亮，像是在给视频、语言、动作找共同的状态空间。需要重点看数据标注质量、状态定义是否真正统一，以及下游 readout 是否证明了 latent 的因果/物理泛化，而不只是大规模视频预训练收益。

SafePyramid: A Hierarchical Benchmark for In-context Policy Guardrailing

中文标题：SafePyramid：面向上下文策略的分层 Guardrail 评测
信息：其他值得关注 | score 17 | 2026-06-29, HF 3 upvotes | Jiacheng Zhang, Haoyu He, Sen Zhang, Shen Wang et al.
链接：arXiv | PDF

为什么值得看：现实产品里的安全规则通常是应用自定义 policy，而不是固定 taxonomy。这篇正好评测这个难点。

摘要翻译：SafePyramid 包含 1,000 段多轮对话、10 个领域、3,000 个应用特定政策，总计 61,699 条自然语言规则。评测分为 L0 单条规则理解、L1 规则依赖推理、L2 完整新 policy framework 适配。10 个 frontier LLM 和 5 个可配置 guardrail 系统表现都不理想，最佳模型在 L0/L1/L2 完整识别违规规则的比例分别只有 54.0%、35.3%、12.9%。

小爱精评：结论很直接：现在的 guardrail 还不擅长“读一份新规则并稳定执行”。这对企业 agent、客服、医疗/金融产品尤其重要。

Bridging VideoQA and Video-Guided Agentic Tasks via Generalized Keyframe Extraction

中文标题：从 VideoQA 到视频指导 GUI Agent：任务驱动关键帧抽取
信息：AI Agents | score 18 | 2026-06-28, HF 21 upvotes | Sunqi Fan, Qingle Liu, Runqi Yin, Meng-Hao Guo et al.
链接：arXiv | PDF

为什么值得看：视频理解和 agent 操作之间的桥接越来越重要，这篇抓住了“关键帧选择”这个低调但很关键的瓶颈。

摘要翻译：论文提出 VG-GUIBench，评测 MLLM GUI agent 能否看视频教程后完成对应 GUI 任务。同时提出 TASKER 关键帧抽取算法，结合任务相关性与场景变化挑选信息帧。TASKER 在 VideoQA 与 video-guided agentic task 上均带来提升，在 EgoSchema fullset 和 NExT-QA 上分别超过最佳 baseline 2.0% 和 1.8%。

小爱精评：对低 token 预算的视频 agent 很有价值。提升幅度不算夸张，但它指出一个可靠方向：视频 agent 的瓶颈经常不是大模型本身，而是输入证据选择。

全量速览

Audio LLM

• MuseBench: Benchmarking Intent-Level Audiovisual Arts Understanding in MLLMs（2606.30026）
  • 中文：MuseBench：评测 MLLM 是否理解影音艺术中的创作意图
  • 信息：Audio LLM | score 20 | 2026-06-29 | Yuxuan Fan, Gyusik Seo, Jing Hao, Jaemin Cho et al.
  • 链接：arXiv | PDF
  • 摘要翻译：MuseBench 包含 4,016 个问题，覆盖电影、静态视觉艺术、舞台表演和游戏艺术，数据来自 1 万多个带专业评论的视频 essay。评测目标不是识别物体或镜头，而是判断模型能否理解构图、沉默、节奏、叙事等创作选择背后的意图。28 个 SOTA MLLM 零样本评测中，最佳模型只有 48.29% 准确率，明显低于人类专家的 87.18%。
  • 精评：这是一个更接近“审美/导演意图理解”的 benchmark。短板也很明显：艺术理解本身主观，数据从 video essay 蒸馏可能会带来评论风格偏置。适合跟踪多模态模型的高层语义能力，不适合当作单一综合排名。
• SICAGE: Speaker-Independent Culture-Aware Gesture Generation using TED4C-L Dataset（2606.30001）
  • 中文：SICAGE：说话人独立、文化感知的共语手势生成
  • 信息：Audio LLM | score 16 | 2026-06-29 | Ariel Gjaci, Antonio Sgorbissa, Vittorio Murino
  • 链接：arXiv | PDF
  • 摘要翻译：SICAGE 从音频和文本中学习说话人无关的文化表征，再用这些 embedding 条件化多模态手势生成器。作者构建 TED4C-L 数据集，含 764 位 TED 演讲者、106 小时多模态数据、四个文化群体。实验显示在真实感、多样性、节拍同步、语义相关和文化一致性上都有提升。
  • 精评：亮点是 speaker-disjoint evaluation，能避免把说话人习惯误认为文化特征。风险是“文化”标签本身可能过粗，实际部署要避免刻板化。

LLM Training

• Scaling the Horizon, Not the Parameters: Reaching Trillion-Parameter Performance with a 35B Agent（2606.30616）
  • 中文：不扩参数，扩展 Agent 视野：35B Agent 达到万亿参数级表现
  • 信息：LLM Training | score 22 | 2026-06-29, HF 67 upvotes | Lei Bai, Zongsheng Cao, Yang Chen, Zhiyao Cui et al.
  • 链接：arXiv | PDF
  • 摘要翻译：论文提出 Agents-A1，一个 35B MoE agentic model。作者构建长程知识-动作基础设施，把外部知识、动作、观察和验证器结果连成平均 45K token 的轨迹，再用全域 SFT、领域 teacher、domain-routed on-policy distillation 三阶段训练，把六类能力压进一个可部署学生模型。结果显示，在 SEAL-0、IFBench、HiPhO、FrontierScience-Olympiad、MolBench-Bind 等长程 agent benchmark 上，35B 模型能接近或超过若干 1T 级模型。
  • 精评：如果结果可复现，这篇的意义不只是省参数，而是把“长 horizon 数据 + teacher 路由蒸馏”作为 agent 模型扩展路线。需要重点看 benchmark 是否公平、teacher 成本是否被隐含，以及 45K 轨迹里 verifier 的质量上限。
• TACO: Tool-Augmented Credit Optimization for Agentic Tool Use（2606.30251）
  • 中文：TACO：给 agentic tool use 做工具调用级别的信用分配
  • 信息：LLM Training | score 18 | 2026-06-29, HF 15 upvotes | Mingkuan Feng, Jinyang Wu, Hao Gu, Fangrui Lv et al.
  • 链接：arXiv | PDF
  • 摘要翻译：TACO 是面向 code-tool multimodal agent 的 GRPO 变体。它用 Differential Answer-Probe Reward 插入 probe token，比对模型在有/无某次工具结果时的答题变化，把每次工具调用标为有用、误导或无效；再用 Outcome-Gated Advantage Routing 把最终答案奖励分配给真正负责的推理片段。实验显示模型准确率提升，同时学会减少无效工具调用。
  • 精评：这篇很实用，因为它把工具调用的奖励从“最后对不对”拆到过程贡献。关键问题是 probe 是否会改变推理分布，以及 answer checker 覆盖不了开放任务时怎么办。
• Evolution Fine-Tuning: Learning to Discover Across 371 Optimization Tasks（2606.29082）
  • 中文：Evolution Fine-Tuning：让模型跨 371 个优化任务学会“进化式发现”
  • 信息：LLM Training | score 15 | 2026-06-27 | Young-Jun Lee, Seungone Kim, Minki Kang, Alistair Cheong Liang Chuen et al.
  • 链接：arXiv | PDF
  • 摘要翻译：EFT 把进化搜索轨迹转为监督数据，构建 Finch Collection：10 个领域、371 个优化任务、156K 条轨迹。2B 到 9B 开源模型 fine-tune 后，在 22 个 held-out 任务上平均比 base 提升 10.22%，与 test-time RL 结合后在圆堆积和 Erdos overlap 问题上表现强。
  • 精评：对科学发现 agent 很有启发：让模型学习“怎么改解法、什么时候回退”，而不是只生成答案。缺点是轨迹质量和任务分布会强烈限制泛化。
• Dockerless: Environment-Free Program Verifier for Coding Agents（2606.28436）
  • 中文：Dockerless：不跑环境的 Coding Agent 程序验证器
  • 信息：LLM Training | score 15 | 2026-06-26, HF 5 upvotes | Wenhao Zeng, Yuling Shi, Xiaodong Gu, Chao Hu et al.
  • 链接：arXiv | PDF
  • 摘要翻译：Dockerless 不执行单元测试，也不构建每个 repo 的 Docker 环境，而是通过 agentic repository exploration 收集证据来判断 patch correctness。它在 verifier benchmark 上比最强开源 verifier 高 14.3 AUC 点；作为 SFT 轨迹过滤器和 RL reward，可让模型在 SWE-bench Verified/Multilingual/Pro 达到 62.0%、50.0%、35.2%。
  • 精评：很实用，但也要谨慎：不执行代码的 verifier 天然可能被风格、相似 patch 或不完整证据欺骗。适合作为低成本过滤/奖励，关键任务仍应执行验证。
• Cognitive Episodes in LLM Reasoning Traces Enable Interpretable Human Item Difficulty Prediction（2606.28186）
  • 中文：用 LLM 推理轨迹中的认知 episode 预测人类题目难度
  • 信息：LLM Training | score 15 | 2026-06-26, HF 4 upvotes | Chenguang Wang, Ming Li, Xinyue Zeng, Zhuochun Li et al.
  • 链接：arXiv | PDF
  • 摘要翻译：Epi2Diff 将大推理模型的 trace 切成认知 episode 序列，提取推理规模、努力分配和状态转移等特征，再结合题目语义表示预测人类题目难度。在四个真实难度数据集上超过 fine-tuned small LM、LLM ICL 和监督 LLM adaptation；SAT 分类任务上比监督 LLM fine-tuning 平均相对提升 8.1%。
  • 精评：有趣之处是：难题不是简单让模型回答更长，而是诱发更多迭代和实现型 episode。它给教育评测提供了更可解释的模型辅助信号。
• Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?（2606.27755）
  • 中文：Drop-Then-Recovery：VLA 模型到底有多少冗余
  • 信息：LLM Training | score 15 | 2026-06-26, HF 2 upvotes | Guoheng Sun, Kaixi Feng, Shwai He, Xiaochuan Gong et al.
  • 链接：arXiv | PDF
  • 摘要翻译：DTR 移除 VLA 模型中的 transformer blocks 后再 fine-tune，看被移除容量是否必要；GateProbe 用一次 virtual-gate sensitivity 排序 block 贡献。结果显示，标准机器人操作任务中 language backbone 高度冗余，而 vision/action pathway 更不能删。LIBERO 上移除一半 LLM blocks 甚至让 OpenVLA-OFT 从 95.0% 到 98.3%，只保留两个 language blocks 也能接近 baseline。
  • 精评：这对 VLA 架构设计很有价值：短指令 manipulation benchmark 可能根本没压到深语言理解。未来应把容量更多给视觉、动作和长程组合。
• Aloe-Vision: Robust Vision-Language Models for Healthcare（2606.27500）
  • 中文：Aloe-Vision：开放可复现的医疗视觉语言模型
  • 信息：LLM Training | score 15 | 2026-06-25 | Jaume Guasch-Martí, Enrique Lopez-Cuena, Martín Suárez-Fernández, Jordi Bayarri-Planas et al.
  • 链接：arXiv | PDF
  • 摘要翻译：Aloe-Vision-Data 混合医疗和通用多模态/文本数据，训练 7B 与 72B 医疗 LVLM，并开放权重、recipe 和数据。作者还提出 CareQA-Vision，用西班牙 MIR/EIR 医护考试构建低污染视觉评测。模型在医疗能力上有提升且尽量保持通用能力，但仍容易受对抗和误导输入影响。
  • 精评：医疗场景最重要的是可靠性和审计性。Aloe-Vision 的开放性是优点，但论文也再次说明 LVLM 离临床可依赖还有距离。
• One-Step Gradient Delay is Not a Barrier for Large-Scale Asynchronous Pipeline Parallel LLM Pretraining（2606.30634）
  • 中文：一步梯度延迟不是大规模异步 Pipeline LLM 预训练的障碍
  • 信息：LLM Training | score 14 | 2026-06-29, HF 19 upvotes | Philip Zmushko, Egor Petrov, Nursultan Abdullaev, Mikhail Khrushchev et al.
  • 链接：arXiv | PDF
  • 摘要翻译：论文重新考察 PipeDream-2BW 这类一阶梯度延迟的异步 pipeline parallelism。作者发现 AdamW 在延迟下退化严重，但 Muon 对一步延迟更稳；再加入 optimizer-agnostic 的 error-feedback correction，可进一步减轻延迟影响。实验扩展到 10B 模型，显示可接近同步训练效果。
  • 精评：如果后续大规模验证成立，这会提高 pipeline 利用率，减少 bubble 浪费。最需要关注的是 10B 之外是否仍稳定，以及 Muon 在不同训练 recipe 中的普适性。
• StrucTab: A Structured Optimization Framework for Table Parsing（2606.29905）
  • 中文：StrucTab：用结构化中间监督和分解奖励做表格解析
  • 信息：LLM Training | score 14 | 2026-06-29 | Gengluo Li, Shangpin Peng, Chengquan Zhang, Binghong Wu et al.
  • 链接：arXiv | PDF
  • 摘要翻译：StrucTab 将表格解析拆成行列计数、合并单元格分析等人类式子任务，通过顺序推理统一输出。Uni-TabRL 用 validity、structure、content 三类分解奖励提供更稳定的 RL 信号。作者还提出 TableVerse-5K，覆盖多样真实表格场景，并在多项公开 benchmark 和 TableVerse-5K 上达到 SOTA。
  • 精评：优点是结构约束强，适合复杂表格。需要看输出格式和 reward 是否能泛化到扫描件、低质图片和行业表格。
• AerialMetric: Benchmarking and Adapting UAV Monocular Metric Depth Estimation in the Real World（2606.29716）
  • 中文：AerialMetric：无人机视角单目 metric depth 评测与适配
  • 信息：LLM Training | score 14 | 2026-06-29 | Zhongqiang Song, Guanying Chen, Yuqi Zhang, Yin Zou et al.
  • 链接：arXiv | PDF
  • 摘要翻译：AerialMetric 提供 52K 真实和 16K 合成 image-depth pair，覆盖摄影测量、受控航拍、合成场景和互联网图像。作者系统评测现有 metric depth 模型在 UAV aerial viewpoint 下的表现，并分析视角、高度、相机参数影响；在数据集上微调代表模型后建立新的航拍 depth SOTA。
  • 精评：对无人机、测绘、城市建模很有用。它提醒单目 depth 的“通用性”往往对摄像机视角很敏感。

AI Agents

• Bridging VideoQA and Video-Guided Agentic Tasks via Generalized Keyframe Extraction（2606.29445）
  • 中文：从 VideoQA 到视频指导 GUI Agent：任务驱动关键帧抽取
  • 信息：AI Agents | score 18 | 2026-06-28, HF 21 upvotes | Sunqi Fan, Qingle Liu, Runqi Yin, Meng-Hao Guo et al.
  • 链接：arXiv | PDF
  • 摘要翻译：论文提出 VG-GUIBench，评测 MLLM GUI agent 能否看视频教程后完成对应 GUI 任务。同时提出 TASKER 关键帧抽取算法，结合任务相关性与场景变化挑选信息帧。TASKER 在 VideoQA 与 video-guided agentic task 上均带来提升，在 EgoSchema fullset 和 NExT-QA 上分别超过最佳 baseline 2.0% 和 1.8%。
  • 精评：对低 token 预算的视频 agent 很有价值。提升幅度不算夸张，但它指出一个可靠方向：视频 agent 的瓶颈经常不是大模型本身，而是输入证据选择。
• Agentic Abstention: Do Agents Know When to Stop Instead of Act?（2606.28733）
  • 中文：Agentic Abstention：Agent 知不知道什么时候该停止行动
  • 信息：AI Agents | score 18 | 2026-06-27, HF 120 upvotes | Han Luo, Bingbing Wen, Lucy Lu Wang
  • 链接：arXiv | PDF
  • 摘要翻译：作者把 agent abstention 定义为序贯决策问题：agent 每一步都要选择回答、放弃，还是继续收集信息。论文在网页购物、终端和问答等场景评测 13 个 LLM-agent 系统、2 个 agent scaffold，共 28,000 多个任务。结果显示，一些 agent 从不该停时不停，另一些停得太晚。CONVOLVE 通过把完整交互轨迹蒸馏成可复用停止规则，在 WebShop 上把 Llama-3.3-70B 的 timely recall 从 26.7 提到 57.4。
  • 精评：这是 agent 可靠性里被低估的一环。真正的产品需要“及时停止 + 解释为什么停止 + 请求用户补充信息”，这篇至少把第一步评测框架搭起来了。
• TUA-Bench: A Benchmark for General-Purpose Terminal-Use Agents（2606.28480）
  • 中文：TUA-Bench：通用终端使用 Agent Benchmark
  • 信息：AI Agents | score 17 | 2026-06-26, HF 44 upvotes | Shoufa Chen, Luyuan Wang, Xuan Yang, Zhiheng Liu et al.
  • 链接：arXiv | PDF
  • 摘要翻译：TUA-Bench 有 120 个真实终端任务，覆盖五类任务：常规数字活动、文档编辑、邮件管理、实时网页信息检索，以及 PhD 级专家共同设计的科学/工程工作流。每个任务都有确定性环境和 execution-based scoring。最强 frontier agent（Claude Code + Claude Opus 4.8 max reasoning effort）总体 65.8%，不同任务轨道仍有明显差距。
  • 精评：这类 benchmark 对 Codex/Claude Code 一类 CLI agent 很重要。它提醒我们 terminal agent 不只是写代码，还要会管理文件、查网页、处理邮件和专业软件。
• SWE-Together: Evaluating Coding Agents in Interactive User Sessions（2606.29957）
  • 中文：SWE-Together：交互式用户会话中的 Coding Agent 评测
  • 信息：AI Agents | score 16 | 2026-06-29, HF 11 upvotes | Yifan Wu, Zhuokai Zhao, Songlin Li, Ho Hin Lee et al.
  • 链接：arXiv | PDF
  • 摘要翻译：SWE-Together 从 11,260 条真实 user-agent coding session 中筛出 109 个 repo-level 任务，并用 reactive LLM user simulator 重放原用户意图、在需要时给反馈。评测不仅看最终代码是否正确，也看 agent 需要多少轮纠正。
  • 精评：很适合衡量“协作体验”。不过 user simulator 的真实性会决定上限，真实用户的耐心、表述变化和中途改需求仍然很难模拟。
• Beyond IID: How General Are Tabular Foundation Models, Really?（2606.30410）
  • 中文：Beyond IID：表格基础模型到底有多通用
  • 信息：AI Agents | score 15 | 2026-06-29, HF 36 upvotes | Lennart Purucker, Andrej Tschalzev, Nick Erickson, Gioia Blayer et al.
  • 链接：arXiv | PDF
  • 摘要翻译：BeyondArena 汇总 142 个数据集，覆盖 IID、时间、分组、不同样本规模和特征维度，以及文本/高基数特征等复杂情况。11 个模型结果显示，现有 tabular foundation model 在小到中型 IID 数据上很强，但在非 IID、大规模、高维场景仍常被传统 tree-based 或深度模型超过。
  • 精评：这篇的价值在评测协议。对 AutoML/表格模型产品来说，不能只看标准 leaderboard，要区分真实数据漂移和分组泛化。
• OSWorld2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks（2606.29537）
  • 中文：OSWorld 2.0：长程真实电脑使用 Agent 评测
  • 信息：AI Agents | score 15 | 2026-06-28, HF 15 upvotes | Mengqi Yuan, Zilong Zhou, Xinzhuang Xiong, Weiming Wu et al.
  • 链接：arXiv | PDF
  • 摘要翻译：OSWorld 2.0 包含 108 个长程真实电脑使用任务。论文显示当前 agent 离专业级电脑操作仍很远：不是只卡在 GUI 控制，而是会忘约束、漏掉中途出现的信息、该问不问、跳过验证，尤其在需要恢复隐藏状态时失败。
  • 精评：这是很重要的失败画像。下一阶段 computer-use agent 需要更强的状态追踪、任务复盘和验证习惯，而不只是更会点鼠标。
• Monte Carlo Energy Aggregation for Mobile 3D Gaussian Splatting（2606.30017）
  • 中文：Flux-GS：面向移动端 3D Gaussian Splatting 的 Monte Carlo 能量聚合
  • 信息：AI Agents | score 14 | 2026-06-29, HF 16 upvotes | Xiaobiao Du, YuAn Wang, Hao Li, Bosheng Wang et al.
  • 链接：arXiv | PDF
  • 摘要翻译：Flux-GS 用 Monte Carlo Specular Energy Aggregator 把三阶 SH 的高阶 radiance residual 聚合到紧凑 latent，保留视觉上重要的镜面光照；再用 Attribute-Conditioned SH Enhancement 弥补压缩损失，并通过多视角 alpha densification/pruning 减少冗余 Gaussian。目标是在移动端降低存储和推理成本，同时保持画质。
  • 精评：看点是工程落地，尤其是无额外推理成本的 SH enhancement。它更偏图形学系统，不属于 agent 主线，但对空间智能/移动端渲染链路有参考价值。

其他值得关注

• Orca: The World is in Your Mind（2606.30534）
  • 中文：Orca：以 Next-State Prediction 训练通用世界基础模型
  • 信息：其他值得关注 | score 17 | 2026-06-29, HF 64 upvotes | Yihao Wang, Yuheng Ji, Mingyu Cao, Yanqing Shen et al.
  • 链接：arXiv | PDF
  • 摘要翻译：Orca 学习统一的 world latent space，不再只做 next-token、next-frame 或 next-action，而是围绕 Next-State-Prediction 建模状态转移。训练分为 unconscious learning（连续视频中的密集自然状态转移）和 conscious learning（语言描述事件与 VQA 监督下的稀疏有意义转移）。冻结 backbone 后，轻量 decoder 可读出文本生成、图像预测和 embodied action。
  • 精评：概念上很漂亮，像是在给视频、语言、动作找共同的状态空间。需要重点看数据标注质量、状态定义是否真正统一，以及下游 readout 是否证明了 latent 的因果/物理泛化，而不只是大规模视频预训练收益。
• SafePyramid: A Hierarchical Benchmark for In-context Policy Guardrailing（2606.29887）
  • 中文：SafePyramid：面向上下文策略的分层 Guardrail 评测
  • 信息：其他值得关注 | score 17 | 2026-06-29, HF 3 upvotes | Jiacheng Zhang, Haoyu He, Sen Zhang, Shen Wang et al.
  • 链接：arXiv | PDF
  • 摘要翻译：SafePyramid 包含 1,000 段多轮对话、10 个领域、3,000 个应用特定政策，总计 61,699 条自然语言规则。评测分为 L0 单条规则理解、L1 规则依赖推理、L2 完整新 policy framework 适配。10 个 frontier LLM 和 5 个可配置 guardrail 系统表现都不理想，最佳模型在 L0/L1/L2 完整识别违规规则的比例分别只有 54.0%、35.3%、12.9%。
  • 精评：结论很直接：现在的 guardrail 还不擅长“读一份新规则并稳定执行”。这对企业 agent、客服、医疗/金融产品尤其重要。
• PoseShield: Neural Collision Fields for Human Self-Collision Resolution（2606.29686）
  • 中文：PoseShield：面向人体自碰撞修正的神经碰撞场
  • 信息：其他值得关注 | score 14 | 2026-06-29, HF 1 upvotes | Zhengyuan Li, Zeyun Deng, Yifan Shen, Liangyan Gui et al.
  • 链接：arXiv | PDF
  • 摘要翻译：PoseShield 在 SMPL pose space 中学习神经碰撞约束，把碰撞修正表述为约束优化问题，并连接到 Eikonal equation。Eikonal regularization 保证碰撞边界附近梯度不消失，提高优化稳定性。它不依赖 mesh-space heuristic，可作为生成器无关的 post-hoc collision corrector，SMPL pose benchmark 上成功率 95.8%。
  • 精评：作为后处理模块很实用，尤其适合 motion generation pipeline。需要看在衣物、接触物体和多人交互中能否保持稳定。
• Unlocking the Visual Record of Materials Science: A Large-Scale Multimodal Dataset from Scientific Literature（2606.29667）
  • 中文：MatSciFig：从材料科学文献中释放大规模多模态图像数据
  • 信息：其他值得关注 | score 14 | 2026-06-29, HF 6 upvotes | Subham Ghosh, Shubham Tiwari, Mohammad Ibrahim, Abhishek Tewari
  • 链接：arXiv | PDF
  • 摘要翻译：MatMMExtract 将材料科学论文中的复合图拆成子图，并用材料科学 taxonomy 引导 LLM 生成 grounded annotations。应用于 14,810 篇开放论文后，得到 MatSciFig：180,571 张 figure 中的 391,606 个 panel-level image-text pair。MaterialScope 检测数据集含 2,811 张手标图，YOLO12-m mAP50 为 0.9227；双编码检索 baseline 相比 zero-shot CLIP 的 R@1 提升 4.4 倍。
  • 精评：这是领域科学多模态数据建设的好案例。数据质量关键在 panel detection 和 LLM annotation 的幻觉控制，论文报告 Gemini 3.1 Flash Lite 幻觉率 4.8%，值得进一步抽检。

已跳过的 7 天内重复论文

• 2606.27828 | Video-MME-Logical: A Controlled Diagnostic Benchmark for Video Temporal-Logical Reasoning | previously seen: 2026-06-30
• 2606.28215 | HAT-4D: Lifting Monocular Video for 4D Multi-Object Interactions via Human-Agent Collaboration | previously seen: 2026-06-30
• 2606.27608 | Qwen-Image-2.0-RL Technical Report | previously seen: 2026-06-30
• 2606.27771 | NormGuard: Reward-Preserving Norm Constraints in Flow-Matching Reinforcement Learning | previously seen: 2026-06-30
• 2606.27826 | NormAct: A Benchmark for Hidden Social Norm Compliance in Embodied Planning | previously seen: 2026-06-30
• 2606.27974 | ProMSA:Progressive Multimodal Search Agents for Knowledge-Based Visual Question Answering | previously seen: 2026-06-30
• 2606.27406 | Towards Evaluation of Implicit Software World Models in Coding LLMs | previously seen: 2026-06-30

本次收录 arXiv ID

2606.30616, 2606.30026, 2606.30251, 2606.29445, 2606.28733, 2606.30534, 2606.29887, 2606.28480, 2606.30001, 2606.29957, 2606.30410, 2606.29537, 2606.29082, 2606.28436, 2606.28186, 2606.27755, 2606.27500, 2606.30634, 2606.30017, 2606.29905, 2606.29716, 2606.29686, 2606.29667

生成时间：2026-07-01 00:05:13 UTC。数据源：HuggingFace Papers + arXiv API（本次 arXiv API 抓取部分遇到超时/429，实际入选来自 HuggingFace backfill）。