生成时间：2026-07-05 08:00 Asia/Shanghai

今天 fetch_papers.py 抓到 100 篇，prefilter.py 预筛到 30 篇。按 ~/DailyReport/.seen_papers.json 做过去 7 天去重后，27 篇已报道过，本期只收录 3 篇新论文。整体看，今天的新内容集中在 agent memory、具身安全评测，以及 diffusion language model 在医学报告草稿中的交互式生成。

今日重点

最值得优先看的是 AutoMem。它把“记忆管理”从 prompt 工程问题变成可训练技能，且声称只优化 memory skill 就能让长程任务表现提升约 2x-4x。这个方向很贴近长期 agent 的核心瓶颈：不是模型能不能推理一次，而是几千步以后还知不知道该记什么、取什么、丢什么。

EgoSafetyBench 也值得注意。它不是再做一个宽泛的 embodied VLM benchmark，而是专门检查 runtime safety guard 在机器人第一视角视频里能不能识别真正危险、避免误报，以及能不能不被场景文字误导。这个评测设计比单纯 binary safe/unsafe 更接近部署时的麻烦。

Discrete Diffusion Language Models for Interactive Radiology Report Drafting 的亮点在交互形态。它不只是说 diffusion LM 比 AR 快，而是利用双向去噪天然支持 any-order infill，让医生固定报告片段后由模型补中间内容。这种“编辑式生成”比从左到右续写更贴近真实报告工作流。

1. AutoMem: Automated Learning of Memory as a Cognitive Skill

• arXiv: https://arxiv.org/abs/2607.01224
• PDF: https://arxiv.org/pdf/2607.01224.pdf
• 作者: Shengguang Wu, Hao Zhu, Yuhui Zhang, Xiaohan Wang, Serena Yeung-Levy
• 方向: AI Agents / Long-horizon memory
• 预筛分: 13
• 来源: HuggingFace Papers, 12 upvotes
• 发表日期: 2026-07-01

中文标题

AutoMem：把记忆作为一种认知技能进行自动化学习

摘要翻译

记忆能力是一种可以学习的技能：知道该编码什么、何时检索、以及如何组织知识，这在认知科学中被称为元记忆。本文把这一视角引入 LLM，将记忆管理视为一种可训练技能。作者把文件系统操作提升为与任务动作同等的一等记忆动作，让模型自行决定如何管理自己的记忆。

这种记忆技能沿两个轴改进：一是支撑记忆的结构，包括 prompt、文件 schema、动作词表；二是模型实际运用这些结构的熟练度。这两个轴都很难手工优化，因为长程任务可能持续数千步，单次记忆错误往往要过很久才暴露，人工审查完整轨迹并不现实。

作者提出 AutoMem，用两个循环自动优化这两件事。第一个循环让强 LLM 审查完整 agent 轨迹，并迭代修订影响 agent 如何与记忆文件交互的记忆结构。第二个循环从大量 episode 中识别 agent 自己做得好的记忆决策，把它们作为训练信号，直接提升模型的记忆熟练度。

在 Crafter、MiniHack 和 NetHack 三个程序生成的长程游戏中，作者只优化记忆而不改变模型的任务动作行为，就让基础 agent 性能提升约 2x-4x，使一个 32B 开源权重模型接近 Claude Opus 4.5 和 Gemini 3.1 Pro Thinking 等前沿系统。结果表明，记忆管理是一种可独立学习的技能，也是长程任务中高杠杆的优化目标。

精评

这篇的价值在于把 agent memory 从“存储组件”重新定义成“行为技能”。很多记忆系统默认问题是检索算法、向量库、上下文压缩或 memory schema，但 AutoMem 的立场更激进：记忆本身包含决策，模型需要学会何时写、写成什么粒度、什么时候读、读出来以后如何用。

方法上，它把文件系统操作纳入 agent action space，这一点很实用。长期 agent 真正运行时，memory 往往不是单条向量，而是文件、日志、状态、计划、规则和摘要的混合物。让强模型审查完整轨迹并改 schema，再用好决策反哺训练，像是在给 agent 做“记忆行为的自举课程”。

需要谨慎的是，实验场景集中在游戏类长程任务，和真实办公、研究、软件工程 agent 还有距离。另一个风险是第一循环依赖强 LLM 审查轨迹，成本、稳定性和审查标准是否可迁移还要看正文细节。不过结论如果成立，它会直接影响长期个人 agent、游戏 agent、研究助理和自动化操作系统的 memory 设计。

建议优先读：方法章节、memory action space 设计、trajectory review prompt/schema 的迭代方式，以及 2x-4x 提升是否来自更好检索、避免遗忘，还是某种任务特定的记忆模板。

2. EgoSafetyBench: A Diagnostic Egocentric Video Benchmark for Evaluating Embodied VLMs as Runtime Safety Guards

• arXiv: https://arxiv.org/abs/2607.00218
• PDF: https://arxiv.org/pdf/2607.00218.pdf
• 作者: Siddhant Panpatil, Arth Singh, Mijin Koo, Chaeyun Kim, Haon Park, Dasol Choi
• 方向: AI Agents / Embodied VLM safety evaluation
• 预筛分: 13
• 来源: HuggingFace Papers, 1 upvote
• 发表日期: 2026-06-30

中文标题

EgoSafetyBench：用于评估具身 VLM 作为实时安全守卫的诊断型第一视角视频基准

摘要翻译

视觉语言模型现在被提议作为家庭和工厂中具身 agent 的实时安全守卫。一个可部署的守卫必须能捕捉真正危险的情况，同时避免对日常但表面上看起来可疑的活动做不必要干预，而这种区别是二元安全基准难以揭示的。

作者提出 EgoSafetyBench，这是一个包含 1,200 个机器人视角场景、以 0.5 秒粒度标注的第一视角视频基准，用于在两个 track 上评估 VLM 作为流式安全守卫的能力。情境 track 包含 800 个场景，覆盖四类情况，从常规安全、看似可疑但安全，到明显危险和上下文相关危险。视觉通道 track 包含 400 个场景，针对场景中的文字，例如标志、贴纸或标签，这些文字可能错误描述物理情况；每个误导性标志都配有真实版本，用来测试守卫能否识别文字误导，以及文字是否会污染它对物理安全的判断。

两个 track 都使用对比阶梯设计：近乎相同的场景只在一个可见决定性线索上不同，因此正确判断必须依赖这个线索，而不能只根据整体场景类型猜测。作者评估了 10 个开源和闭源 VLM。结果发现，安全守卫通常能识别包含危险的视频，但经常错过具体危险时刻，尤其是上下文相关危险。此外，误导性的场景内文字会削弱所有测试守卫：脆弱模型最多漏掉三分之一危险，而鲁棒模型则会对安全内容过度干预。匹配对照显示，表面上的安全鲁棒性常常只是无差别报警，而不是真正的物理推理。

精评

这篇的关键贡献不是模型方法，而是评测问题定义。具身安全守卫如果只做“这个视频安全吗”的离线判断，离部署还很远；真正困难的是流式检测、半秒级时刻定位、对上下文危险的理解，以及少误报。EgoSafetyBench 把这些问题拆成更可诊断的测试，非常适合发现 VLM 作为 safety monitor 时的失败模式。

我比较看重它的两个设计。第一是 contrastive ladders，让场景只差一个决定性线索，能减少模型靠场景先验蒙对的空间。第二是 in-scene text 误导测试，这很现实：机器人看到“安全”“清洁剂”“已断电”之类标签时，模型可能过度相信文字，而忽略物理状态本身。

局限也明显：1,200 个场景对于真实具身安全仍然偏小，且 benchmark 本身是否覆盖家庭、工厂、医疗、实验室等不同风险分布，需要看数据构成。它更像诊断仪，不是最终部署认证。但对做 embodied agent、机器人安全、VLM video grounding 的人来说，它提供了一个很好的错误分类框架。

建议关注：场景类别定义、0.5 秒标注协议、误导文字对不同 VLM 的影响，以及作者如何区分“谨慎”与“无差别报警”。

3. Discrete Diffusion Language Models for Interactive Radiology Report Drafting

• arXiv: https://arxiv.org/abs/2607.01436
• PDF: https://arxiv.org/pdf/2607.01436.pdf
• 作者: Max Van Puyvelde, Halil Ibrahim Gulluk, Wim Van Criekinge, Olivier Gevaert
• 方向: Diffusion language models / Medical report drafting
• 预筛分: 12
• 来源: HuggingFace Papers, 4 upvotes
• 发表日期: 2026-07-01

中文标题

用于交互式放射科报告草拟的离散扩散语言模型

摘要翻译

扩散语言模型通过双向去噪 token 画布来生成文本，而不是像自回归模型那样从左到右逐 token 输出；这类模型已经在生成能力上接近自回归生成。然而，医学基础模型几乎仍然全是自回归模型。

作者改造了一个 mixture-of-experts 扩散语言模型 DiffusionGemma-26B，并在医学视觉问答数据集上，与同等规模的自回归兄弟模型 Gemma-4-26B 进行对比。两者使用相同的 LoRA 配方，并由对冗长程度鲁棒的 LLM judge 评分。结果显示，扩散模型在所有数据集上都匹配或超过自回归模型；微调后的模型有 3.8B active 参数，表现可与前沿视觉语言模型竞争，解码速度也快 3.5-4.4 倍。

除了这种性能相当之外，扩散模型还提供了自回归模型缺少的草稿能力：任意顺序补全。由于画布是双向去噪的，放射科医生可以固定报告片段，让模型填充片段之间的文本。这是扩散生成天然具备、而自回归生成不擅长的操作。它适合真实报告，因为不同医生和机构的报告常常简短且格式不一致。

精评

这篇值得看的地方在于，它不是简单把 diffusion LM 套进医学文本生成，而是抓住了 diffusion 的交互优势：any-order infill。医疗报告不是聊天续写，医生经常已经有若干确定片段，只需要模型在中间补结构、补表述、补一致性。自回归模型当然也可以用 prompt 模拟填空，但生成机制本身并不天然适合这种非线性编辑。

性能部分如果正文支持摘要里的说法，会很有吸引力：同 LoRA recipe 下扩散模型不弱于同尺寸 AR sibling，且解码快 3.5-4.4 倍。这对医学场景重要，因为低延迟和可编辑性往往比“从零生成一整段漂亮报告”更有用。

需要小心的是，摘要里提到的医学视觉问答和 radiology report drafting 之间仍有任务差距。VQA judge 分数不等于临床报告质量，更不等于安全可用。LLM judge 即便做了 verbosity-robust，也可能无法覆盖医学事实一致性、漏诊风险和机构模板要求。

建议读正文时重点查：具体数据集、report drafting 是否有真实医生交互实验、infill 任务如何构造、以及 diffusion 生成在事实一致性上的错误类型。

本期去重记录

本期收录并写入 ~/DailyReport/.seen_papers.json 的 arXiv ID：

• 2607.01224
• 2607.00218
• 2607.01436

本期从预筛结果中跳过 27 篇过去 7 天已报道论文，包括：2607.02479, 2607.00461, 2607.01647, 2607.02032, 2607.01071, 2607.02269, 2607.02255, 2607.01232, 2607.00902, 2607.02440, 2607.01213, 2607.01131, 2607.00881, 2607.00678, 2607.00446, 2606.08625, 2607.00248, 2607.01874, 2603.29616, 2607.00466, 2607.00272, 2607.02512, 2607.01763, 2606.25842, 2607.00293, 2602.21397, 2607.02461。