抓取 100 篇，预筛 30 篇；按 ~/DailyReport/.seen_papers.json 去掉过去 7 天已报道论文后，本期收录 4 篇。今天的新增主要是 agent 泛化、世界模型可控生成、ANN scaling、代码 agent 评测可靠性，没有特别强的 Audio LLM 新论文。

今日重点

最值得读的是 2607.01084 和 2607.01211。前者把 tool-use agent 的开放世界泛化问题拆成 query/action/observation/domain shift，并且指出 SFT 和 RL 在环境变化下都会掉性能；这对做真实 agent 产品比单纯刷静态 benchmark 更有参考价值。后者直接审计 GSO、SWE-Perf、SWE-fficiency 这类代码优化榜单，结论很扎心：很多任务的参考 patch 在跨机器复现时并不稳定，排行榜分数会被计分规则和少数任务权重明显扭曲。

2607.02517 是一个视频世界模型方向的可控生成框架，用 LLM 编排 3D 轨迹和相机运动，把语义运动规划和像素生成解耦，亮点是持久动态记忆和出画后再入画的身份一致性。2607.01283 则偏底层系统和理论，重新审视 grid-based ANN 在高维检索里的 scaling，可能对高维 embedding 检索、频繁重建索引、以及把 attention 理解成 ANN 的效率分析有启发。

LLM Training / Agent 泛化

Can Agents Generalize to the Open World? Unveiling the Fragility of Static Training in Tool Use

• arXiv: 2607.01084 | PDF
• 作者: Song-Lin Lv, Weiming Wu, Rui Zhu, Zi-Jian Cheng, Lan-Zhe Guo
• 日期: 2026-07-01
• 预筛分: 16

一句话: 这篇把 tool-use agent 从静态 benchmark 拉回真实开放环境，证明训练好的 agent 遇到查询、工具、观察反馈和领域分布变化时会明显脆弱。

精评: 论文的价值不在提出一个特别复杂的新训练法，而在把“agent 线上不好用”拆成可控变量。它定义了 OpenAgent 设置，并构建 sandbox，从 Perception、Interaction、Reasoning、Internalization 四层做环境 shift 诊断。这个拆法很适合产品侧和 eval 侧复用：如果一个 agent 在 benchmark 上高分，但换工具 schema、反馈格式、任务领域就崩，那 leaderboard 分数意义有限。作者提出的 Perturbation-Augmented Fine-Tuning 更像第一步补救，用扰动增强提升 SFT 鲁棒性；真正值得跟进的是它的实验协议和错误归因框架。

中文摘要翻译: 大语言模型 agent 虽然在静态基准上表现不错，但部署到真实场景时，会受到用户查询、工具集合和交互动态不断变化的影响。为刻画这种泛化缺口，作者形式化提出 OpenAgent，即开放世界中的工具使用 agent 问题设置，其核心是 query、action、observation 和 domain 四个维度的分布转移。作者构建了一个可控 sandbox 环境，并在感知、交互、推理和内化四层环境层级上定义细粒度转移，系统实验表明，无论是监督微调还是强化学习训练得到的 agent，在面对开放环境变化时都会出现不同程度的性能退化。基于这些发现，作者提出 Perturbation-Augmented Fine-Tuning，用扰动增强的方式提升 SFT agent 在真实环境中的鲁棒性和实用性。

AI Agents / 世界模型

WorldDirector: Building Controllable World Simulators with Persistent Dynamic Memory

• arXiv: 2607.02517 | PDF
• 作者: Hanlin Wang, Hao Ouyang, Qiuyu Wang, Wen Wang, Qingyan Bai et al.
• 日期: 2026-07-02
• 预筛分: 12 | HuggingFace: 22 upvotes
• 项目页: https://worlddirector.github.io/

一句话: 一个把 LLM 轨迹编排和视频生成结合起来的可控世界模型，重点解决动态对象长期记忆和自由视角探索。

精评: 这篇更接近 embodied/video generation 的交叉方向。常见视频世界模型容易把“物理动态”和“像素渲染”混在一起，导致对象离开视野后再出现时身份不稳定、运动逻辑难控制。WorldDirector 的思路是先让 LLM 组织 3D 轨迹和相机运动，再把这些轨迹作为视频生成控制信号。这样做的优势是控制性强，尤其适合长事件、多对象、视角变化大的模拟任务；风险是最终效果仍依赖底层 video generator 的真实物理和画质上限。值得看 demo，如果身份保持真的稳，会对交互式世界模拟、机器人仿真视频生成、游戏资产预演都有用。

中文摘要翻译: 作者提出 WorldDirector，一个高度可控的视频世界模型框架，面向持久动态对象记忆和不受限制的视角探索。不同于把物理动态和像素渲染纠缠在一起、并依赖连续视觉观察来维持运动的现有世界模型，该框架显式地将语义层面的运动编排和视觉生成解耦。它利用 LLM 协调 3D 轨迹和相机运动，再把这些编排好的轨迹作为视频生成的控制信号，从而保证物理逻辑和外观稳定性；即使动态实体长时间离开画面后再次进入场景，也能保持视觉身份一致。实验显示，该方法支持复杂长事件合成，并具备更强的可控性和持久动态对象记忆。

LLM Training / 检索与效率

Scaling Laws for Grid-Based Approximate Nearest Neighbor Search in High Dimensions

• arXiv: 2607.01283 | PDF
• 作者: Matthew J Liu, Wei Hang Zheng, Vidhan Purohit, Siqi Xie, Chieh-En Li et al.
• 日期: 2026-07-01
• 预筛分: 12 | HuggingFace: 1 upvote
• 代码: https://github.com/weiz345/MultiProbeANN

一句话: 重新评估 grid-based ANN 在高维场景下的 scaling，发现 multiprobe grid 在维度扩展上可能比图、树和分区方法更稳。

精评: 这篇不是直接做 LLM 训练，但和高维 embedding 检索、RAG 索引、efficient attention 分析有关。主结论是 multiprobe grid 在 GloVe embedding 家族上出现了此前没被充分报告的维度 scaling crossover：它的维度 scaling exponent 近似稳定，而其他 ANN 方法吞吐会随维度恶化。代价是 query 对数据规模 N 接近线性，但索引构建成本更低。因此它适合 rebuild-heavy、维度很高、索引成本比查询成本更敏感的场景。对需要频繁刷新 embedding 索引的系统，这个角度值得留意。

中文摘要翻译: 现代 scaling 分析里较少讨论基于网格的近似最近邻搜索。作者系统刻画了 multiprobe grid 算法在数据规模 N 和维度 d 上的表现。实验发现，在 GloVe embedding 家族中存在一个此前未报道的维度 scaling crossover：multiprobe grid search 能保持近似恒定的维度 scaling 指数，而图、树和分区类方法的吞吐会随维度上升而退化。该方法的代价是查询随 N 接近线性扩展，但索引构建成本低于竞争方法。作者认为，在索引需要频繁重建或维度鲁棒性决定性能的高维场景中，grid-based 方法可能具备竞争力。由于已有工作把 self-attention 形式化为 ANN 操作，ANN 算法的 N 和 d scaling 也可能帮助分析高效 Transformer 架构的成本。

AI Agents / Coding Agent 评测

Are Performance-Optimization Benchmarks Reliably Measuring Coding Agents?

• arXiv: 2607.01211 | PDF
• 作者: Zhi Chen, Zhensu Sun, Yuling Shi, David Lo, Lingxiao Jiang
• 日期: 2026-07-01
• 预筛分: 12 | HuggingFace: 6 upvotes

一句话: 这篇审计代码性能优化 benchmark，指出排行榜可能把运行时不稳定、计分规则偏差和已被公开提交解掉的任务混在一起。

精评: 对 coding agent 评测很有现实意义。GSO、SWE-Perf、SWE-fficiency 这类仓库级性能优化 benchmark，看似比单元测试修 bug 更贴近工程，但性能任务天然受机器、噪声、基线和计分规则影响。作者重放 740 个优化任务的官方参考 patch，发现跨 Google Cloud 机器复现时，只有 39/102 个 GSO、11/140 个 SWE-Perf、411/498 个 SWE-fficiency 任务能在每次 replay 中满足原始有效性规则。它还指出不同 benchmark 的 leaderboard 排名会对同一批提交产生显著不一致，SWE-fficiency 的部分任务权重过高。结论不是这些 benchmark 没用，而是 aggregate ranking 不该被当成 agent 能力的单一证据；更好的做法是报告任务级可靠性、分数贡献和跨机器复现稳定性。

中文摘要翻译: GSO、SWE-Perf 和 SWE-fficiency 等仓库级性能优化基准通过让 coding agent 给真实仓库打 patch，并比较优化前基线和官方参考 patch 的运行时间来评分。这些榜单分数越来越常被用作 coding-agent 进步的证据，但它们可能混入运行时不稳定、benchmark 计分规则差异，以及某些任务已被公开提交解决等因素。作者审计了三个基准：首先，在四类常见 Google Cloud 机器上重放 740 个代码优化任务的官方参考 patch。多数任务可以重放，但参考 patch 能在所有跨机器重放中满足原始有效性规则的任务数分别只有 GSO 39/102、SWE-Perf 11/140、SWE-fficiency 411/498；其中 SWE-Perf 尤其脆弱，因为很多参考 patch 的运行时间变化接近于零。其次，作者发现公开提交的排名强烈依赖计分规则；在 GSO 和 SWE-fficiency 共享的 8 个公开提交中，官方排名在 28 个两两比较里有 9 个不一致，而 SWE-fficiency 的计分规则会给最差的 10 个任务分配过高权重。最后，在每个任务的 10 个公开提交中，至少有一个提交在 85.3% 的可重放有效 GSO 和 SWE-fficiency 任务上达到或超过参考 patch，并在 99.8% 的任务上超过未优化基线。该研究通过识别更可靠的性能信号、量化任务级分数贡献、暴露 aggregate ranking 掩盖的剩余差距，补充了 leaderboard 分数本身。

本次收录 arXiv ID

2607.01084, 2607.02517, 2607.01283, 2607.01211

生成时间：2026-07-06 08:00 Asia/Shanghai | 数据来源：HuggingFace Papers / arXiv