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 5 篇。今天没有特别强的 Audio LLM 新论文，主线集中在 embodied AI 部署运行时、LVLM 视觉遗忘修正、agent 评测去框架偏差，以及高风险行业知识 benchmark。

今日重点

最值得读的是 2607.02501 和 2605.27898。前者把 VLA/WAM 的部署问题从“模型能不能跑”推进到“异构机器人闭环控制里能不能稳定低延迟跑”，如果 embodied AI 要从 demo 进入真实设备，这类 C++ runtime 会越来越关键。后者则继续收紧 agent benchmark 的可信度问题：同一个模型分数可能被 scaffold、工具封装和 live environment 波动明显影响，所以评测框架本身必须被纳入实验对象。

2607.01707 关注 LVLM 长程解码时的 visual forgetting，用奖励约束视觉注意力轨迹和视觉 sink token；2607.01420 做长文档多模态 QA 的训练无关 attribution，强调低延迟、细粒度证据定位；2607.01829 是航空运营知识 benchmark，结论很现实：即便 2026 年强模型也还明显低于专家可靠性。

Embodied AI / Runtime

Embodied.cpp: A Portable Inference Runtime of Embodied AI Models on Heterogeneous Robots

• arXiv: 2607.02501 | PDF
• 作者: Ling Xu, Chuyu Han, Borui Li, Hao Wu, Shiqi Jiang et al.
• 日期: 2026-07-02
• 预筛分: 14 | HuggingFace: 36 upvotes

一句话: 一个面向 embodied AI 的可移植 C++ 推理运行时，把 VLA 和 WAM 在异构机器人上的闭环部署抽象成统一执行路径。

精评: 这篇的价值偏工程底座。现在很多 VLA/WAM 论文能在特定 Python 栈和特定机器人 glue code 上跑，但一到边缘设备、不同后端、不同控制频率，部署就碎掉。Embodied.cpp 把 embodied runtime 的契约说清楚：batch-1 低延迟、多速率闭环执行、可扩展 I/O，而不是传统 request-response serving。五层架构也比较实用：input adapters、sequence builders、backbone execution、head plugins、deployment adapters。结果里 HY-VLA 和 pi0.5 的闭环成功率分别到 100.0% 和 91.0%，WAM block 内存从 312.2 MiB 降到 88.1 MiB。它不一定是“新能力”论文，但很可能是机器人模型落地会反复遇到的基础设施问题。

中文摘要翻译: Embodied AI 模型已经覆盖视觉-语言-动作模型和世界-动作模型，但实际部署仍被模型专用 Python 栈、后端假设和机器人侧胶水代码割裂，尤其是在异构边缘设备上。现有推理运行时主要面向请求-响应式服务，无法满足 embodied 部署需要的多速率闭环控制、batch-1 延迟优先推理，以及固定 token I/O 之外的可扩展接口。作者提出 Embodied.cpp，一个面向 embodied 模型的可移植 C++ 推理运行时。基于对代表性 VLA 和 WAM 架构的分析，它抽象出共享执行路径，并组织成输入适配、序列构建、骨干执行、头部插件和部署适配五层。该运行时支持模块化多速率执行、延迟优先融合推理，以及可扩展算子和 I/O，从而通过统一后端抽象部署到不同设备、机器人和模拟器。实验显示，它能在多个 embodied 架构上提升部署效率，同时保持较高任务精度。

LVLM Training / Visual Grounding

LASER: A Corrective Lens for LVLMs via Visual Attention Preservation and Sink Suppression

• arXiv: 2607.01707 | PDF
• 作者: Bowen Yuan, Zijian Wang, Yadan Luo, Shijie Wang, Zi Huang
• 日期: 2026-07-02
• 预筛分: 12 | HuggingFace: 1 upvote

一句话: LASER 用视觉 grounding reward 和 sink suppression reward 缓解 LVLM 长程推理时注意力偏离视觉证据的问题。

精评: 视觉遗忘不是新问题，但这篇把病灶拆得更细：不只是解码后期 attention decay，早期注意力衰减会直接破坏证据获取；同时，一些任务无关的 visual sink token 会吸走注意力。LASER 的思路是 post-training 阶段直接管注意力轨迹和视觉 token 内部分布，让模型既持续看语义相关视觉 token，又别把注意力塌到无信息区域。这个方向值得关注，因为 LVLM 的很多长答案、多步推理错误并不是语言模型不会推，而是视觉证据在生成过程中失联。风险是 attention-based 约束能否泛化到不同 backbone、不同视觉 tokenization，以及它对开放式生成质量有没有副作用。

中文摘要翻译: 大型视觉语言模型具备较强推理能力，但在长程解码中常出现视觉遗忘，即注意力逐渐偏离视觉证据。现有方法多把它视为后期注意力衰减问题，或用启发式提醒、事后 attention lifting 缓解。作者通过系统实验发现，性能退化主要来自两个被忽视的因素：早期注意力衰减会破坏证据获取，注意力还会集中到一部分与任务无关的视觉 sink token 上。基于这些发现，作者提出 LASER，一个 post-training 框架，在推理过程中同时调节视觉注意力轨迹和视觉 token 内部分布。它引入视觉 grounding reward，鼓励模型持续关注语义显著视觉 token；同时引入 sink suppression reward，惩罚对 visual sink token 的过度集中。八个 benchmark 上的实验显示，LASER 稳定超过强基线，证明 attention-aware training 是缓解视觉遗忘的有效方式。

AI Agents / Evaluation

A Unified Framework for the Evaluation of LLM Agentic Capabilities

• arXiv: 2605.27898 | PDF
• 作者: Pengyu Zhu, Lijun Li, Yaxing Lyu, Qianxin Luo, Jingyi Yang et al.
• 日期: 2026-07-02
• 预筛分: 12
• 代码/数据: https://github.com/whfeLingYu/A-Unified-Framework-for-the-Evaluation-of-LLM-Agentic-Capabilities | https://huggingface.co/datasets/whfeLingYu/Unified_Agent_Framework

一句话: 一个统一 agent 评测框架，把 benchmark 任务统一到 instruction-tool-environment 格式，并显式分离模型能力、scaffold 选择和环境波动。

精评: 这篇和最近几天的 coding-agent/agent benchmark 审计是一条线：agent 分数并不只等于模型能力。工具 schema、ReAct scaffold、sandbox、live environment 的随机波动，都可能改变结果。作者把 7 个常用 benchmark、24 个领域统一进固定 ReAct 架构和可控 sandbox，还提供 offline snapshots 来隔离环境变化；400K rollouts、5B tokens、15 个模型的规模不小。真正有用的是它的 failure attribution taxonomy 和资源消耗指标，因为 agent 产品不只关心成功率，也关心失败发生在决策层还是执行层、花了多少 token、是否因为环境本身漂移。后续如果能被更多 benchmark 接入，会让 agent leaderboard 少一点“框架运气”。

中文摘要翻译: 随着 LLM 越来越多以 agent 形式部署，可靠评估其 agentic 能力变得关键。但现有 benchmark 分数往往混合了模型能力和 benchmark 自带实现选择，导致跨 benchmark 结果很难被解释为干净的模型测量。作者提出一个统一框架，用统一配置系统把不同 benchmark 整合为标准化的 instruction-tool-environment 格式，并在可控 sandbox 中通过固定 ReAct 风格架构执行 agent；同时提供可选 offline setting，用精选快照替代易波动的 live environment，从而分别分析框架效应和环境效应。该框架保留各 benchmark 原本的任务成功标准，同时引入统一资源消耗指标，以及决策层和执行层失败归因分类。作者适配了覆盖 24 个领域的 7 个常用 benchmark，并在 15 个模型上进行了 400K rollouts 和 5B tokens 的大规模分析，发现 scaffold 选择和环境波动会显著改变 benchmark 结果。

Multimodal QA / Attribution

MultAttnAttrib: Training-Free Multimodal Attribution in Long Document Question Answering

• arXiv: 2607.01420 | PDF
• 作者: Dang Quang Thien Tran, Quang V. Dang, Vinamra Tyagi, Sai Soorya Rao Veeravalli, Trang Nguyen et al.
• 日期: 2026-07-01
• 预筛分: 12 | HuggingFace: 5 upvotes

一句话: 一个训练无关的多模态 attribution 方法，用 prefill attention 头和校准阈值在长文档里定位答案证据。

精评: 这篇很适合放进 grounded assistant/RAG 产品视角看。长文档问答里，“回答对”只是第一步，真正上线还要知道答案每个成分来自哪里，尤其是图文混排、表格、扫描件这类多模态材料。MultAttnAttrib 不靠额外训练，而是利用 base model prefill pass 中选定 attention heads 做证据定位，所以延迟比再提示模型生成引用低很多，论文声称可到同模型 prompting 的七分之一。它还配了 MultAttrEval，专门给多模态长文档 attribution 标细粒度 ground truth。需要留意的是 attention attribution 天然会遇到可解释性争议，但作为低成本证据定位器，它的工程吸引力很强。

中文摘要翻译: 随着 grounded QA 系统越来越多部署到 AI assistant 中，准确把生成答案归因到证据来源，对用户信任和模型安全非常重要。虽然单模态 attribution 已被深入研究，多模态场景仍相对不足。作者提出 MultAttnAttrib，一个训练无关的 attribution 生成方法，利用模型 prefill pass、选定 attention heads 和校准阈值，在文档中定位源证据。为建立基线，作者还提出 MultAttrEval，一个带细粒度 ground-truth attribution 的 benchmark，覆盖多模态源文档中由答案组件对应的证据。据作者称，这是第一个专门面向长文档多模态 attribution 的评测集。实验显示，MultAttnAttrib 稳定超过多种 attribution 方法，包括强 prompting baseline，并接近 GPT 5.4 等前沿模型；同时在同一 base model 上，相比 prompting 方式最多可将直接推理延迟降到七分之一。

Domain Benchmark / Aviation

Pre-Flight: A Benchmark for Evaluating Large Language Models on Aviation Operational Knowledge

• arXiv: 2607.01829 | PDF
• 作者: Alex Brooker, Tim Hughes
• 日期: 2026-07-02
• 预筛分: 11

一句话: 一个航空运营知识 benchmark，300 道多选题覆盖机场地面运营、ICAO/FAA 规则和复杂运营场景。

精评: 这篇不是方法论文，但有现实价值。很多企业想把 LLM 用在文档、培训、客服和运营支持里，但通用 benchmark 基本测不出“懂不懂某个高规制行业的操作知识”。Pre-Flight 的关键在于题目来自国际标准和机场地面运营材料，并由空管、地面运营、商业飞行相关从业者审阅。结果也比较克制：专家 informal reference 约 95%，最强 2026 模型只有 82.7%，从 2025 年早期约 75% 只缓慢提升。作者强调它面向 non safety critical aviation operations，但这个缺口已经足够说明，行业部署前必须有领域专用 eval，不能只靠通用模型榜单背书。

中文摘要翻译: LLM 正越来越多被提议用于航空业务运营，例如文档、培训生成和面向客户的 assistant。通用 benchmark 无法衡量模型是否能安全、正确地理解航空特定运营知识，而该领域高风险且受严格监管，这个缺口后果很大。作者提出 Pre-Flight，一个开源 benchmark，包含 300 道多选题，题目来自国际标准和机场地面运营材料，覆盖国际机场地面运营、ICAO 和美国 FAA 规定、航空通识以及复杂运营场景。题目由具备空中交通管理、地面运营和商业飞行经验的从业者编写并审阅。作者使用 Inspect evaluation framework 评估多个商业和开源权重模型，并滚动维护 leaderboard。与会议上航空专业人士小样本测验得到的约 95% informal expert reference 相比，即使 2026 年发布的最强模型也只有 82.7%，说明距离专家级可靠性仍有明显差距。作者发布了数据集、评测 harness 和结果，并认为这类领域评测是生成式 AI 负责任部署到非安全关键航空运营中的必要前提。

本次收录 arXiv ID

2607.02501, 2607.01707, 2605.27898, 2607.01420, 2607.01829

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