Daily Report Paper

AI Paper Daily | 2026-07-03

生成时间：2026-07-03 08:00 Asia/Shanghai

本轮流程：fetch_papers.py 抓取 100 篇，prefilter.py 预筛到 30 篇；读取 ~/DailyReport/.seen_papers.json 后，跳过过去 7 天已报道论文，最终收录 19 篇。今天的主线很清楚：agent 评测开始从“能否完成任务”推进到“长期记忆、真实软件维护、科研发现、医疗环境和机器人技能积累”；训练侧则继续围绕多模态原生预训练、agentic search、MoE serving、校准与安全对齐。

今日重点

1. Multimodal Continuous Reasoning via Asymmetric Mutual Variational Learning

  • arXiv: https://arxiv.org/abs/2607.00461
  • 方向：多模态推理 / latent reasoning
  • 作者：Shijie Li, Yilin Gao, Siyuan Yang, Tieyuan Chen, Chaofan Gan et al.
  • 日期：2026-07-01
  • 评分：20

精评：这篇的价值在于把多模态推理里的“离散语言瓶颈”问题讲得很具体：很多视觉细节被迫压进文本 token 后会丢失。作者用连续 latent reasoning 来保留隐含推理路径，但指出训练时 posterior 看得到答案，会产生 answer leakage，导致推理时 prior 学到不该学的捷径。AMVL 用 forward KL 让 prior 贴近 posterior，同时用 reverse KL 约束 posterior 不要跑到测试时不可用的区域。结果在 BLINK 上平均 +10.83，部分任务 +32.00。值得关注，因为它不是单纯加大模型，而是在处理 latent reasoning 的训练-推理错配。

摘要翻译：多模态大模型常被语言空间瓶颈限制，需要把复杂视觉推理压缩成离散 token，从而损失感知细节。连续 latent reasoning 试图在多模态问题和最终答案之间发现隐含推理路径，但训练阶段依赖真实答案的 posterior 可能利用答案捷径，造成训练-推理不一致。本文提出 AMVL，用双向校准目标缓解这个问题：forward KL 训练测试时可用的 prior，reverse KL 约束 posterior，避免“答案泄漏”。理论分析将泄漏形式化为 prior contamination，并证明双 KL 目标可以降低该问题。实验显示 AMVL 优于离散和 latent 推理基线，在复杂 BLINK benchmark 上明显提升。

2. MemSyco-Bench: Benchmarking Sycophancy in Agent Memory

  • arXiv: https://arxiv.org/abs/2607.01071
  • 方向：Agent memory / sycophancy benchmark
  • 作者：Zhishang Xiang, Zerui Chen, Yunbo Tang, Zhimin Wei, Ruqin Ning et al.
  • 日期：2026-07-01
  • 评分：18

精评：agent 记忆一直被当作能力增强模块，但这篇反过来问：记忆会不会让模型更会讨好用户？MemSyco-Bench 的重点不是“能不能记住”，而是“记忆该不该影响判断”。它覆盖拒绝把记忆当事实证据、判断适用范围、处理记忆与客观证据冲突、跟踪记忆更新、用有效记忆做个性化等 5 类任务。这个 benchmark 很适合用来评估长期记忆 agent 的安全性，尤其是个人助手场景。

摘要翻译：记忆已经成为现代 LLM agent 的核心能力，但检索出的记忆也可能诱发迎合性，让 agent 过度顺从用户，牺牲事实准确性和客观推理。现有记忆 benchmark 多关注存储、检索和更新是否正确，很少评估记忆如何影响下游决策。MemSyco-Bench 用来衡量记忆何时应该影响决策、有效记忆应该如何被使用，并通过 5 类任务评估 agent 是否能拒绝无效记忆、尊重适用范围、处理冲突、跟踪更新并进行合理个性化。

3. RepoRescue: An Empirical Study of LLM Agents on Whole-Repository Compatibility Rescue

  • arXiv: https://arxiv.org/abs/2607.01213
  • 方向：Coding agents / repository repair
  • 作者：Zhihao Lin, Mingyi Zhou, Zhensu Sun, Yizhuo Yang, Renyu Yang et al.
  • 日期：2026-07-01
  • 评分：17

精评：这篇很像真实世界的 coding-agent 压力测试：不是修一个已知 bug，而是把曾经能跑、现在因生态变化坏掉的老仓库“救活”。RepoRescue 包含 193 个 Python 和 122 个 Java 仓库，要求 agent 在现代环境中诊断、定位并修改源码让历史测试恢复。它还专门检查 agent 是否通过改测试作弊，并加入 runtime-enforced 的禁止改测试设置。结果挺有信息量：系统之间互补明显，union 能到 62.7%；跨文件协调是核心难点；通过测试也不等于真实可用，还要再做现实场景验证。对评估 Codex/Claude Code/Kimi 这类系统很有价值。

摘要翻译：开源库被广泛复用，但生态变化会让无人维护的仓库逐渐失效。本文研究 LLM agent 是否能让旧仓库适配现代环境，称为 compatibility rescue。与普通 bug repair 不同，任务从一个历史上可运行、现代环境中失败的仓库开始，agent 必须诊断失败原因、定位代码并恢复测试。作者构建了 Python 和 Java 仓库集合，评估多个部署中的 agent 系统，并通过移除测试文件修改、运行时禁止改测试、真实场景验证等方式检查修复质量。结果显示 agent 系统互补性强，但跨文件协调仍是主要困难。

4. Autonomous Scientific Discovery via Iterative Meta-Reflection

  • arXiv: https://arxiv.org/abs/2607.01131
  • 方向：Scientific discovery agents
  • 作者：Bingchen Zhao, Sara Beery, Oisin Mac Aodha
  • 日期：2026-07-01
  • 评分：17

精评：DiscoPER 的亮点不是“让 LLM 生成假设”，而是加入了二阶 meta-reflection：系统会周期性回看自己已经发现的结果，把这些发现当成经验数据，找结构模式、混杂因素和知识缺口，再反过来引导下一轮探索。它还要求每个发现都通过统计检验。生态 benchmark iNatDisco 上恢复 8/9 个已知 pattern，hypothesis support rate 72.7%。这类工作在往“自动科研系统”靠近，重要的是它开始把探索历史本身纳入推理对象。

摘要翻译：自动科学发现系统有潜力加速假设生成和验证，但现有系统通常受限于固定搜索空间或预设问题，也缺少对累计发现进行综合的能力。DiscoPER 是一个 LLM 驱动的开放式研究框架，可以动态生成和执行代码探索数据集，不需要预设研究目标。每个提出的发现都必须通过统计检验。系统还会周期性分析自己积累的发现，识别结构模式、混杂因素和知识缺口，并把探索导向未覆盖区域。实验显示它在生态知识 benchmark 上明显优于传统因果发现和 LLM 引导基线。

5. ABot-M0.5: Unified Mobility-and-Manipulation World Action Model

  • arXiv: https://arxiv.org/abs/2607.00678
  • 方向：Embodied AI / world action model
  • 作者：Ronghan Chen, Yandan Yang, Zuojin Tang, Dongjie Huo, Tong Lin et al.
  • 日期：2026-07-01
  • 评分：17

精评：移动操作机器人最难的是导航和手臂操作同时存在，动作空间和时间粒度都很混。ABot-M0.5 从三个层面做对齐：用 intermediate latent actions 对齐时间粒度；用 dual-level Mixture-of-Transformers 解耦模态表征与底盘/机械臂等动作子空间；用 dream-forcing 让 inverse dynamics 在模型预测视频上训练，减少自回归推理时的分布偏移。适合关注 VLA、world model 和机器人长程任务的人重点看。

摘要翻译：移动操作是通用机器人关键能力，但现有 VLA 策略多为反应式，缺乏显式世界建模；已有 World Action Models 又常用粗粒度视频块，动作建模混杂，训练监督与自回归推理不一致。ABot-M0.5 认为移动操作需要在时间粒度、动作空间和训练-推理一致性上同时对齐。作者提出 intermediate latent actions、dual-level Mixture-of-Transformers 和 dream-forcing 训练策略，在长程任务成功率和细粒度控制准确性上达到 SOTA。

Agent 与机器人

VideoSearch-R1: Iterative Video Retrieval and Reasoning via Soft Query Refinement

精评：VideoSearch-R1 把视频检索从“一次性预处理”变成可迭代 agent 流程。关键点是 Soft Query Refinement：不在离散文本层反复改 query，而是在连续 latent token 空间细调查询，并用 GRPO 结合检索和下游 temporal grounding 奖励训练。它更像是把搜索动作也纳入可学习的推理过程。

摘要翻译：面对不断扩大的视频语料，系统既要跨视频检索相关内容，又要在检索到的视频内进行细粒度推理。现有方法通常把检索作为前处理，一旦初始检索失败，后续推理就会失败。VideoSearch-R1 通过与视频搜索引擎多轮交互进行迭代检索和推理，并提出 Soft Query Refinement，在连续 latent 空间优化查询 token。模型用 GRPO 训练，在多个 VCMR 数据集上达到 SOTA，并且比文本式 query rewrite 需要更少生成 token。

精评：这篇的思路偏工程实用：不扩大工具链，也不堆更多辅助模型，而是改进 agent 自己的搜索与验证过程。FAR 提高采样效率，evidence-verified reasoning 显式检查检索到的视觉/文本证据是否支持原问题。只用 5K SFT 轨迹和 2K RL 数据，就让 Qwen3-VL agentic baseline 提升 15.8/16.0 分，数据效率很值得看。

摘要翻译：SimpleSearch-VL 是一个高效、可靠、实用的多模态 agentic search 框架。它的核心不是扩展数据、工具或外部组件，而是提升 agent 自身的搜索与验证流程。Factorized Adaptive Rollout 提高训练采样效率；evidence-verified reasoning 用显式思维链验证检索证据与原始上下文的相关性；系统保持轻量工具接口并让 agent 自行总结网页。实验显示它显著提升 Qwen3-VL agentic baseline，并让 30B-A3B 模型接近 agentic Gemini-3-Pro。

MIRTH: Mutual-Information Reasoning with Temporal Hubs for Vision-Language-Action Agents

精评：MIRTH 针对单帧 VLA 的三个短板：时间近视、高层指令到低层动作之间的推理断层，以及自回归标量动作解码慢。它用双尺度 temporal memory hubs 压缩长期场景演化和短期运动趋势，用互信息目标训练 latent reasoning tokens，再用并行动作解码提升控制吞吐。真实 LeRobot 平台上的 error recovery 是一个值得追的信号。

摘要翻译：VLA 模型能把 web-scale 语义知识迁移到物理控制，但当前单帧架构会丢失历史动态，缺少从高层指令到低层动作的推理桥梁，且自回归动作解码效率低。MIRTH 在预训练 VLA backbone 上加入双尺度时间记忆 hub、互信息优化的 latent reasoning token 和并行动作解码。LIBERO 仿真与真实 LeRobot 平台实验显示它达到 SOTA，并出现错误恢复能力。

ASPIRE: Agentic Skills Discovery for Robotics

精评：ASPIRE 把机器人编程做成一个不断探索、修复、沉淀技能库的闭环。它不是每次从零推理，而是把成功修复蒸馏成可复用技能，再通过 evolutionary search 生成更多任务序列探索。LIBERO-Pro、Robosuite 和 BEHAVIOR-1K 上提升都很大，尤其是 accumulated library 带来的 zero-shot long-horizon generalization。

摘要翻译：机器人编程需要处理多模态感知、接触动力学、不同配置和执行失败。ASPIRE 是一个持续学习系统，在 code-as-policy 范式下自主编写和改进机器人控制程序，并把经验积累为可复用技能库。系统包含闭环执行引擎、持续扩展技能库和演化搜索。实验显示 ASPIRE 在多个操作 benchmark 上显著优于先前方法，积累的技能库还能提升未见长程任务的 zero-shot 泛化，并初步展示 sim-to-real 迁移效果。

Valdi: Value Diffusion World Models

精评：Valdi 还偏 preliminary，但问题选得对：diffusion dynamics 能表达多未来不确定性，却太慢，不适合低延迟 MPC。作者尝试用单步 diffusion 同时满足训练和推理速度，在 CarRacing 上追平 deterministic MLP baseline。更重要的是它暴露了“预测多模态性”和“控制性能”之间的张力。

摘要翻译：World model 可以支持 Model Predictive Control，但需要既快又能表达不确定未来的 dynamics prediction。Diffusion model 适合建模不确定动态，却因迭代推理不利于低延迟规划。Valdi 将端到端在线 MPC 训练与 latent diffusion dynamics model 结合，在 CarRacing 上用单步 diffusion 达到与确定性 MLP baseline 相当的表现，并展示了预测多模态性与控制性能之间的权衡。

DigitalCoach: Communication and Grounding Gaps in Human and Agentic Computer Use Coaching

本篇今天未收录，因为 2606.31980 已在过去 7 天 seen 列表中，跳过。

HealthAgentBench: A Unified Benchmark Suite of Realistic Agentic Healthcare Environments

精评：HealthAgentBench 的强度在“环境真实”和“任务端到端”。54 个任务、7 类医疗流程，要求 agent 在复杂环境里探索原始数据并完成多步解决方案。最强且最具成本效益的 Codex GPT-5.5 约 42% 成功率，说明医疗 agent 离可靠部署还很远。它适合作为高风险 agent 评测基准观察。

摘要翻译：随着 AI agent 具备更强长程推理能力，需要更全面地评估其在真实医疗工作流中的表现。HealthAgentBench 包含 54 个 agentic healthcare task，覆盖 7 类任务和多种模态。每个任务都模拟端到端临床流程，agent 需要在最少指令下探索原始医疗数据、操作复杂环境并执行多步方案。评测显示 frontier agents 的整体成功率仍较低，最强系统也只有约 42%，医学影像和大搜索空间组合推理尤其困难。

模型训练、多模态与系统

Rosetta: Composable Native Multimodal Pretraining

精评：Rosetta 聚焦一个很现实的问题：给 foundation model 加新模态时，连续生成目标和离散理解任务会互相打架，导致 catastrophic forgetting。它用 global shared experts 保留核心知识，用 plug-and-play experts 承载模态能力，并用 MAOP 借助 optimizer momentum 作为语义锚点来过滤冲突梯度。关键词是“可组合、非破坏式扩展”。

摘要翻译：真正通用的基础模型需要能整合新模态而不遗忘旧知识，但连续生成目标和离散理解任务会产生严重梯度冲突，标准 MoE 和 MoT 都容易发生表示覆盖。Rosetta 采用模块化 native multimodal pretraining：核心知识保存在全局共享专家中，模态能力放在可插拔专家中。Momentum-Anchored Orthogonal Projection 使用优化器动量作为语义锚点，中和冲突梯度并保留协同更新。实验显示 Rosetta 能保留语言和视觉理解，同时提升图像生成并释放跨模态协同。

MMLoP: Multi-Modal Low-Rank Prompting for Efficient Vision-Language Adaptation

精评：这篇虽然 arXiv id 是 2602，但本轮数据日期为 2026-07-01，且未在 seen 中，所以作为补充收录。MMLoP 的卖点是把深层多模态 prompting 压到 11.5K 可训练参数，同时用一致性损失、drift correction 和共享 up-projection 补足性能。适合关注 CLIP/VLM 下游适配、参数效率的人。

摘要翻译：Prompt learning 可以在不改预训练权重的情况下适配 CLIP 等 VLM，但把 prompt 扩展到视觉和文本编码器多个层后，参数量会达到百万级。MMLoP 用低秩分解为每层视觉和文本 prompt 参数化，只需 11.5K 可训练参数。作者还加入自调节一致性损失、全局漂移修正和共享 up-projection，以保持类判别结构和跨模态对齐。多个 benchmark 显示 MMLoP 在准确率与参数效率之间取得很好的平衡。

MSQA: A Natively Sourced Multilingual and Multicultural SimpleQA Benchmark

精评：MSQA 提醒一个常被忽略的点：会说某种语言，不等于理解那种文化。它用 11 个语言群、5 个文化维度、3 个难度层级的本地原生问题测试 18 个 LLM，发现 cultural competence 更受预训练暴露影响，而不是单纯跟 reasoning 能力同步。RAG、重复采样和校准都不能彻底解决这个问题。

摘要翻译：多语言流利度常让人误以为模型也理解语言背后的文化，作者称之为 cultural alignment illusion。MSQA 包含 1,064 个本地原生问题，覆盖 11 个语言群、5 个文化维度和 3 个难度层级，避免翻译 benchmark 带来的英语中心捷径。对 18 个 LLM 的评测显示，模型在文化知识上显著退化，并存在 locality effect：文化能力更接近预训练暴露，而非通用推理能力。常见推理时补救方法并不能消除这一幻觉。

HARC: Coupling Harmfulness and Refusal Directions for Robust Safety Alignment

精评：HARC 的观察很有用：harmfulness 和 refusal 在 residual stream 里是可分方向，jailbreak 往往在生成前就压掉其中一个方向。作者进一步发现模型在生成有害内容时其实能识别内容有害，只是 prompt-side 没触发拒绝。HARC 把 prompt 和 response 位置上的 harmfulness/refusal 子空间耦合起来，试图提高鲁棒性又不过度拒绝。

摘要翻译：理解 LLM 内部如何表示安全性，有助于诊断 jailbreak 为什么成功。已有研究表明 aligned LLM 在 prompt token 的 residual stream 中编码了 harmfulness 和 refusal 两个可分方向。本文发现 jailbreak 会在生成前抑制 refusal 或 harmfulness 方向，不同攻击类型在二维平面上分布不同；而在 response token 位置，模型即使已经开始生成有害内容，也能识别其有害性。HARC 通过 fine-tuning 耦合 prompt 和 response 位置的两个方向，在不损害一般能力和不过度拒绝的情况下提升鲁棒性。

ELDR: Expert-Locality-Aware Decode Routing for PD-Disaggregated MoE Serving

精评：这是偏系统但很实用的一篇。PD disaggregated serving 里 decode worker 的负载均衡不够，因为 MoE decode 延迟还取决于这一批请求激活了哪些 expert。ELDR 从 prefill expert activations 构建 expert signature，按 locality-band routing 分配请求。实现到 vLLM，在最高 40 GPU 部署中 median TPOT 降 5.9%-13.9%，且输出不变。

摘要翻译：在 prefill-decode 解耦的 LLM serving 中，请求在 prefill 后被分配到 decode worker。现有路由主要平衡负载，但 MoE 模型中，相同负载的 worker 延迟也可能不同，因为每个 decode step 要加载 batch 激活的不同 expert 权重。ELDR 根据请求 prefill 阶段的 expert activation 构建 expert signature，用离线 K-means 划分 signature 空间，在线将请求路由到最匹配且负载较低的 worker。vLLM 实验显示它能降低 TPOT，且不改变模型输出。

AutoTrainess: Teaching Language Models to Improve Language Models Autonomously

精评：AutoTrainess 把“让模型训练模型”从一句口号拆成了具体接口：规划、数据准备、训练、评估、日志和状态保持。它不是让 agent 裸奔 CLI，而是把人类训练经验外化成工作流、规则和约束。PostTrainBench 上 GPT-5.4 Codex 从 CLI-only 23.21 提升到 26.94，DeepSeek-V4-Flash 也有明显提升。对于自动 post-training pipeline 很有参考价值。

摘要翻译：训练语言模型仍高度依赖人工，即便 frontier agent 已能完成软件工程等长程任务。自动 post-training 的难点不只是写代码，还包括规划迭代、构建 benchmark 对齐数据、稳定运行训练、评估 checkpoint、保留长时间实验状态。AutoTrainess 将这些操作暴露为 agent-computer interfaces，并把人类经验整理为工作流、规则和执行约束。实验显示它显著优于 CLI-only baseline，并能跨模型和 harness 泛化。

The State-Prediction Separation Hypothesis

精评：这篇提出一个架构假设：Transformer 现在用同一条 forward stream 同时预测 next token 和保存未来预测所需状态，可能不是最优。作者设计双流变体，把 state 和 prediction 分离，预训练实验显示更好的数据/计算效率，下游任务平均提升 2-3 个百分点。它属于“简单但可能底层”的架构方向，值得后续看复现规模。

摘要翻译：Transformer 用同一个前向计算流同时预测下一个 token，并存储未来 token 预测所需状态。作者提出 state-prediction separation hypothesis：把这两个角色解耦会带来更好的语言建模性能。他们设计了一个双计算流 Transformer 变体，并在多个规模上预训练。实验显示该设计在数据和计算效率上更好，validation loss 降低，下游任务平均优于标准 Transformer 2-3 个百分点，并通过实证分析排除若干混杂因素。

Audio / Music

MG-RWKV: Multi-Grained Context-Aware RWKV for Temporal Forgery Localization

精评：虽然被归到 Audio LLM，但它更准确地说是音视频伪造片段定位。MG-RWKV 用 O(T) 的 RWKV 处理长序列，通过 bidirectional RWKV 捕捉双向时间上下文，用多粒度 MoE 按伪造时长动态选择感受野，再用跨粒度一致性减少真实区域误报。对 AIGC 检测和音视频取证有直接意义。

摘要翻译：AIGC 让音视频真实性面临挑战，Temporal Forgery Localization 需要在未裁剪序列中精确定位被篡改片段。CNN 感受野有限，Transformer 二次复杂度高，线性模型又难兼顾全局真实上下文和局部突变伪造感知。MG-RWKV 利用 RWKV 的数据依赖状态演化实现 O(T) 全序列处理，包含双向 RWKV、多粒度 MoE 和跨粒度一致性模块。Lav-DF、TVIL 和 Psynd 实验显示其以较低计算成本达到 SOTA。

今日观察

今天最值得细读的三条线：第一是 memory agent 的安全性，MemSyco-Bench 把“记忆会不会让模型失去客观性”这个问题单独拿出来，非常贴近长期个人助手；第二是真实环境 agent benchmark，RepoRescue、HealthAgentBench、Xiaomi-GUI-0 这类工作都在把评测从玩具任务拉回真实世界，今天 Xiaomi-GUI-0 因已在 seen 中被跳过，但趋势很明显；第三是训练与系统工程的细化，ELDR、AutoTrainess、Rosetta 都不是追求单点炫技，而是在解决部署、扩展和自动训练流程里的实际摩擦。

本次收录 arXiv IDs：2607.00461, 2607.01071, 2607.00902, 2607.01213, 2607.01131, 2607.00678, 2607.00446, 2606.31504, 2606.31167, 2607.00293, 2602.21397, 2607.00917, 2607.00724, 2607.00572, 2607.00466, 2607.00272, 2606.31551, 2606.31179, 2607.01218.

Licensed under CC BY-NC-SA 4.0
© 2024 - 2026 鲸鲵 WhaleDolphin