📚 arXiv AI/ML 论文日报 (2026-07-14)

自动采集于 2026-07-16，共 20 篇最新论文。

1. Do AI Agents Know When a Task Is Simple? Toward Complexity-Aware Reasoning and Execution

研究领域: AI, NLP, 软件工程, 系统控制
作者: Junjie Yin, Xinyu Feng
arXiv: 2607.13034 | PDF

中文摘要: 大语言模型（LLM）智能体越来越多地自动化多步工程和信息技术工作流，但它们很少询问任务实际需要多少工作量。它们通常遵循最大上下文优先策略——反复重读已经看过的文件和依赖——将一行代码的编辑变成整个代码库的审计。本文认为缺失的能力是任务感知的执行范围估计：在投入预算之前判断任务的难度、真正需要的信息以及最短可靠路径。我们形式化了最小充分执行和智能体认知冗余比（ACRR），并提出 E3（估计、执行、扩展）方法：智能体估计初始操作点，执行最小可行路径，仅在验证失败时扩展范围。在 MSE-Bench 基准测试上，E3 在保持 100% 成功率的同时将成本降低 85%、token 减少 91%、检查文件减少 92%。

原文摘要: Large language model (LLM) agents increasingly automate multi-step engineering and informatics workflows, yet they rarely ask how much effort a task actually requires. They often follow a maximum-context-first strategy--re-reading files and dependencies they have already seen--turning a one-line edi...

2. The Seriality Gap in Video Diffusion Models

研究领域: 机器学习, 计算机视觉
作者: Jorge Diaz Chao, Konpat Preechakul, Yuxi Liu, Yutong Bai
arXiv: 2607.13031 | PDF

中文摘要: 当一个球撞击另一个球，再撞击下一个时，视频模型应该预测每次反弹的后果。在多球硬球动力学的对照实验中，我们发现标准双向视频扩散的性能随着因果链长度增加而下降，即使提供更多去噪步数。在长度匹配的单球对照中（无球间交互），性能下降基本消失， isolating 依赖事件结构而非视频长度作为原因。我们识别出这种模式为序列性差距：任务需要增长的序列计算与视频扩散模型去噪循环无法提供可扩展序列计算之间的不匹配。我们证明了对于确定性视频预测，去噪步数不会增加超出骨干网络的序列计算，表明视频扩散在序列推理和模拟任务上的结构性障碍。

原文摘要: When one ball strikes another, then another, video models should predict the consequences of each bounce. In controlled experiments on multi-ball hard-sphere dynamics, we find that the performance of standard bidirectional video diffusion degrades as the causal chain lengthens, even when provided mo...

3. TerraZero: Procedural Driving Simulation for Zero-Demonstration Self-Play at Scale

研究领域: 机器学习, AI, 机器人
作者: Zhouchonghao Wu, Akshay Rangesh, Weixin Li, Wei-Jer Chang, Zachary Lee, Tim Wang, Wei Zhan
arXiv: 2607.13028 | PDF

中文摘要: 训练鲁棒的自动驾驶智能体需要足够快的模拟器进行大规模强化学习、足够真实以将行为锚定在真实世界地图结构中、足够多样化以覆盖日志数据很少包含的安全关键长尾场景。我们提出 TerraZero，一个程序化驾驶模拟器和自博弈训练栈。可配置的 C 引擎在 CPU 上运行模拟、在 GPU 上进行策略推理，通过零拷贝路径在单台服务器级 GPU 上维持每秒 130 万智能体步数，远超现有对象级模拟器。TerraZero 将日志数据仅作为真实世界地图几何的来源，用随机规则的道路使用者和信号控制器填充每个地图，每回合随机化智能体动态、奖励和大小。作为自车策略，TerraZero 是首个完全学习的策略登顶 InterPlan 长尾基准测试。

原文摘要: Training robust autonomous driving agents requires a simulator that is fast enough for reinforcement learning at scale, realistic enough to ground behavior in real-world map structure, and diverse enough to cover the safety-critical long tail that logged data rarely contains. We present TerraZero, a...

4. PalmClaw: A Native On-Device Agent Framework for Mobile Phones

研究领域: NLP, AI
作者: Hongru Cai, Yongqi Li, Ran Wei, Wenjie Li
arXiv: 2607.13027 | PDF

中文摘要: 大语言模型（LLM）智能体已经从生成响应发展到通过调用工具、观察结果并迭代决定下一步行动来执行多步任务。现有移动智能体主要通过图形用户界面（GUI）操作智能手机，如点击、滑动和输入，这些往往形成长序列、依赖界面、无法直接访问设备能力。我们提出 PalmClaw，一个开源的智能体框架，直接在手机上原生运行，管理会话、记忆、技能、工具和智能体循环。PalmClaw 将设备能力暴露为具有明确参数、结构化结果和清晰定义执行边界的设备工具。实验显示任务成功率相对提升 11.5%，完成时间减少 94.9%。

原文摘要: Large Language Model (LLM) agents have moved beyond generating responses to executing multi-step tasks by calling tools, observing the results, and iteratively deciding the next action. Most agent systems run on desktops or servers, which support tool use and task automation. Mobile devices are also...

5. A Shortcut to Statistically Steady-State Turbulence with Flow Matching

研究领域: 等离子体物理, 机器学习
作者: Gianluca Galletti, Gerald Gutenbrunner, William Hornsby, Lorenzo Zanisi, Naomi Carey, Stanislas Pamela, Johannes Brandstetter, Fabian Paischer
arXiv: 2607.13022 | PDF

中文摘要: 许多非线性物理系统表现出初始瞬态阶段，其中扰动增长，然后非线性相互作用导致统计稳态。虽然这个饱和状态是主要关注点，但直接数值模拟必须解析完整的瞬态动力学才能到达它，产生显著的计算成本。我们提出通过直接建模饱和状态的分布来绕过显式时间演化，基于遍历性假设。我们引入 GyroFlow，一个潜在生成模型，直接估计 5D 相空间中的回旋动力学湍流稳态统计，无需解析瞬态阶段。GyroFlow 从噪声生成饱和快照，条件化为无量纲操作参数，在提供大幅加速的同时优于自回归、降阶和其他生成方法。

原文摘要: Many nonlinear physical systems exhibit an initial transient phase in which perturbations grow before nonlinear interactions lead to a statistically steady state. While this saturated regime is of primary interest, direct numerical simulations must resolve the full transient dynamics before reaching...

6. FlowWAM: Optical Flow as a Unified Action Representation for World Action Models

研究领域: 机器人, 计算机视觉
作者: Yixiang Chen, Peiyan Li, Yuan Xu, Qisen Ma, Jiabing Yang, Kai Wang, Jianhua Yang, Dong An, He Guan, Gaoteng Liu, Jianlou Si, Jun Huang, Jing Liu, Nianfeng Liu, Yan Huang, Liang Wang
arXiv: 2607.13017 | PDF

中文摘要: 世界动作模型（WAM）能够利用预训练视频生成器进行世界建模和动作预测。然而，直接利用这些视频生成器进行控制提出了一个新挑战：如何以适合的形式表示动作，使其与预训练视频生成器对齐，同时携带足够的运动线索以实现准确控制。我们提出 FlowWAM，一个双 stream 扩散框架，采用光流作为统一、视频原生的动作表示。FlowWAM 可以在策略模式下生成光流进行动作预测，在世界模型模式下使用目标光流序列引导未来视频生成。在 RoboTwin 操作上，FlowWAM 将成功率提升至 92.94%，优于 VLA 和 WAM 基线。

原文摘要: World Action Models (WAMs) are able to leverage pretrained video generators for both world modeling and action prediction. However, directly leveraging such video generators for control raises a new challenge: how to represent actions in a suitable form that aligns with pretrained video generators w...

7. Audio-Native Speech Recognition with a Frozen Discrete-Diffusion Language Model

研究领域: AI, 语音
作者: Harsha Vardhan Khurdula, Abhinav Kumar Singh, Yoeven D Khemlani, Vineet Agarwal
arXiv: 2607.13013 | PDF

中文摘要: 自动语音识别由自回归解码器主导，一次发出一个 token。我们探索离散扩散语言模型是否可以转录语音，通过少量去噪步数并行优化整个转录。我们为 DiffusionGemma（260 亿参数 MoE 模型）训练音频原生接口，冻结的 Whisper 编码器提供声学特征，轻量级投影器将其映射到模型嵌入空间。仅训练约 4200 万参数（骨干的 0.16%）。得到的模型在 LibriSpeech test-clean 上达到 6.6% 词错误率，无论 utterance 长度均可在大约 8 个并行步数内完成转录。

原文摘要: Automatic speech recognition is dominated by autoregressive decoders that emit one token at a time. We ask whether a discrete diffusion language model can transcribe speech instead, refining a whole transcript in parallel over a small number of denoising steps. We train an audio-native interface for...

8. DermDepth: Toward Monocular Metric Scale 3D Reconstruction Models for Dermatology

研究领域: 计算机视觉
作者: Héctor Carrión, Narges Norouzi
arXiv: 2607.13010 | PDF

中文摘要: 皮肤病学实践 routinely 涉及测量和跟踪病变大小、形态和纹理，作为伤口或皮肤癌筛查、监测和诊断的关键组成部分。本文证明密集的单目 3D 重建、度量尺度测量和丰富的表面法线纹理估计对于皮肤镜和宏观案例均可实现，无需额外硬件或多个捕获。我们提出 DermDepth，首个皮肤病学领域的单视图度量尺度 3D 模型，以及 D-Synth，首个具有像素完美 3D 信息的合成皮肤镜数据集。在真实皮肤镜数据上，度量尺度误差从超过 16 倍纠正到低于 1.1 倍。

原文摘要: Dermatological practice routinely involves measuring and tracking lesion size, morphology and texture, as critical components of wound or skin cancer screening, monitoring and diagnosis. To accomplish this task, practitioners often image the skin surface with commonly available off-the-shelf camera ...

9. Dynamic Resource Allocation for Ensemble Determinization MCTS

研究领域: AI
作者: Jakub Kowalski, Adam Ciężkowski, Artur Krzyżyński, Mark H. M. Winands
arXiv: 2607.13007 | PDF

中文摘要: 基于模拟的算法特别适合高不确定性环境，如具有显著随机性和隐藏信息的对抗性棋盘游戏。本文提出一系列针对 Ensemble Determinization MCTS 的增强，引入两个动态资源分配轴：动态确定化数量（根据搜索行为增加或减少当前使用的确定化树数量）和动态模拟分配（非均匀地将模拟预算分配到确定化树）。在 Jaipur、Lost Cities 和 Splendor 三个流行桌游基准测试中，特定配置在算法的强度上产生统计显著提升。

原文摘要: Simulation-based algorithms are especially suited for high-uncertainty environments such as adversarial board games with significant elements of randomness and hidden information. In particular, several Monte Carlo Tree Search (MCTS) variants are commonly used in such domains. In this paper, we prop...

10. The Spectrum Is Not Enough: When Context Helps Time-Series Forecasting

研究领域: 机器学习
作者: Mert Onur Cakiroglu, Mehmet Dalkilic, Hasan Kurban
arXiv: 2607.13006 | PDF

中文摘要: 一系列指标从频谱评分序列的可预测性。从业者 increasingly 将这些分数解读为回答不同的问题：添加上下文、更长的回溯、检索插件或预训练模型是否有帮助。这两个问题并不相同。上下文的价值是操作点的属性，而非序列的属性。我们从功率谱构建的任何指标在相位随机化下不变，而检索和基础模型提供的超越二阶价值则不然。我们提出一个无标签、配置级诊断——覆盖赤字，其主项测量超越频谱结构作为类比预测相对于线性预测的收益。在七个基准测试中，预测成立。

原文摘要: A growing family of indices scores how predictable a series is from its spectrum. Practitioners increasingly read these scores as answering a different question: whether \emph{adding context}, a longer lookback, a retrieval plug-in, or a pretrained model, will help. These are not the same question. ...

11. Watermark Forensics for Generative Models: An Information-Theoretic Perspective

研究领域: 安全, 机器学习
作者: Xiaoyu Li, Zheng Gao, Xiaoyan Feng, Jiaojiao Jiang, Yulei Sui, Jiankun Hu
arXiv: 2607.13003 | PDF

中文摘要: 生成模型输出中的水印通常仅被问及文本是否为机器生成。同一个标记可以做更多：将其归因于产生它的用户、提取隐藏的有效载荷、或定位在编辑后幸存的部分。这些形成了取证阶梯，我们询问每个梯级在样本长度 n 上的成本。对于统计无失真方案，将文本归因于 N 个用户之一在所有平稳遍历源上的成本为 Θ(log N/h) 个 token，精确到 (1+o(1)) 因子：据我们所知，这是首个多用户归因的紧熵率定律。

原文摘要: A watermark in a generative model's output is usually asked only whether a text is machine-made. The same mark can do more: attribute it to the user who produced it, extract a hidden payload, or localize the part that survives editing. These form a forensic ladder, and we ask what each rung costs in...

12. X-Lens: Real-Time Metric Depth Estimation with Heterogeneous Cameras

研究领域: 计算机视觉
作者: Heng Zhou, Shuhong Liu, Yonghao He, Bohao Zhang, Fa Fu, Chenhui Hou, Xianbao Hou, Lijun Han, Wei Sui
arXiv: 2607.12993 | PDF

中文摘要: 我们提出 X-lens，一个用于从可变数量的校准鱼眼和针孔视图进行度量深度估计的紧凑前馈模型。为支持实时下游感知，X-lens 围绕几何感知的异构相机公式构建，具有两个关键组件：可学习校准 token 提供鱼眼和针孔投影空间之间的粗略对齐，雅可比参数化失真偏置注入交叉注意力模型局部投影变化。模型仅使用 0.04B 参数，最高 41 FPS。在 OmniScene-Full 上，AbsRel 降低 25.4%，同时参数减少 88.9%。

原文摘要: We present X-lens, a compact feed-forward model for metric depth estimation from a variable number of calibrated fisheye and pinhole views. To support real-time downstream perception, X-lens is built around a geometry-aware heterogeneous camera formulation with two key components. Learnable calibrat...

13. Controllable Generation of Diverse Dermatological Imagery for Fair and Efficient Malignancy Classification

研究领域: 计算机视觉
作者: Héctor Carrión, Narges Norouzi
arXiv: 2607.12987 | PDF

中文摘要: 准确的皮肤病学诊断 naturally 需要在不同人群中实现公平性能，但系统性缺乏专家注释的图像，尤其是代表性不足的肤色和罕见疾病，阻碍了可测量公平方法的进展。我们引入 cgDDI（可控多样化皮肤病学图像生成），一个混合框架，(1) 合成现实的健康皮肤样本，(2) 非参数地将单样本罕见病变映射到新的肤色和位置，(3) 仅需 10 个训练样本即可进行高效的参数生成。在 DDI 基准上，合成数据单独训练的恶性肿瘤分类准确率达到 86.4%，真实数据微调达到 90.9% 的最先进性能。

原文摘要: Accurate dermatological diagnosis naturally necessitates equitable performance across diverse populations, yet a systematic lack of expertly annotated images, especially for underrepresented skin tones and rare diseases, impedes progress toward measurably fair methods. We introduce cgDDI (Controllab...

14. Win by Silence: Deletion Non-Monotonicity, Autonomous Exploitation, and Typed-State Gating in LLM Plan Evaluation

研究领域: AI, 软件工程
作者: Aleh Manchuliantsau
arXiv: 2607.12986 | PDF

中文摘要: 计划评估器可能因战略计划变得不那么明确而奖励它。本文研究了 LLM 生成风险路线分阶段期望值评分器中的这种失败。命题 1 给出了删除内部转换同时重新定位其前驱并保留下游价值的分数变化。在一个固定的 26 条路线队列中，所有 57 条可容许删除都匹配分析恒等式和阈值符号，每条路线至少有一个改进分数的删除。GATE 对 26/26 条沉默路线拒绝分数释放，0/26 诚实暂停；拒绝后，47/54 次下次修订修复到覆盖结构。

原文摘要: Plan evaluators can reward a strategic plan for becoming less explicit. This paper studies that failure in a staged expected-value scorer for LLM-generated venture routes. Proposition 1 gives the score change from deleting an interior transition while retargeting its predecessor and retaining downst...

15. Resist and Update: Counterfactual Report Coordinates for Incentive-Compatible LLMs

研究领域: AI
作者: Sen Yang, Yuen-Hei Yeung
arXiv: 2607.12985 | PDF

中文摘要: 对齐的语言模型在非证据激励压力下 routinely 误报：它们同意自信的用户或夸大确定性，即使其内部信念未变。我们将其视为内部激励兼容性（IC）的失败，并提出学习和认证反事实报告调解器的方法，将模型的报告约束到因果契约：对禁止影响不变（压力、声望、重塑），对许可影响响应（真实证据）。在 witness 基准上，两遍夹具同时达到 1.00 的抵抗和更新（Wilson 95% CI [0.99,1.00]）。

原文摘要: Aligned language models routinely misreport under non-evidential incentive pressure: they agree with a confident user or overstate certainty even when their internal belief is unchanged. We cast this as a failure of internal incentive-compatibility (IC) and present a method for learning and certifyi...

16. FormalAnalyticGeo: A Neural-Symbolic Based Framework for Multimodal Analytic Geometry Problem Generation

研究领域: AI
作者: Ruoran Xu, Wending Gao, Qiufeng Wang
arXiv: 2607.12982 | PDF

中文摘要: 数学推理在多模态大语言模型（MLLM）快速发展的推动下取得了显著进展，但解析几何 largely 未被探索，主要由于注释样本稀缺。我们提出 FormalAnalyticGeo，一个用于全自动生成多模态解析几何问题的可扩展框架。利用形式语言的严谨性，我们设计围绕 CDL（条件描述语言）的框架，桥接自由形式问题文本与通过符号距离场（SDF）引擎的精确图表渲染。四个专门的 LLM 组件顺序工作：生成器、形式化器、测量器和质量验证器。大规模应用产生 AnalyticGeo7K，超过 7K 验证的多模态问题数据集。

原文摘要: Math reasoning has achieved significant progress with the rapid advancement of Multimodal Large Language Models (MLLMs), however analytic geometry remains largely underexplored, primarily due to the scarcity of annotated samples. Existing diagram generation approaches struggle with analytic geometry...

17. Ensemble Controlled-Flow Filtering for Implicit Data Assimilation

研究领域: 统计学习, 机器学习, 数值分析, 优化
作者: Zhuoyuan Li, Yue Zhao, Ming Li
arXiv: 2607.12975 | PDF

中文摘要: 数据同化从模型预测和传入观测估计动态系统的状态。然而，许多观测机制是多对一、隐式、非光滑的，或仅通过模拟可访问，不一定提供现有集合滤波器所需的残差结构或似然指导。我们引入隐式数据同化，其中分析定律定义为预测分布的能量倾斜。然后提出集合控制流滤波器（EnCF），通过随机控制流实现此更新。数值结果显示，卡尔曼型滤波器对于光滑加性高斯观测仍然更可取，而提出的方法更适合非高斯、多对一、多模态和隐式观测模型。

原文摘要: Data assimilation estimates the state of a dynamical system from model forecasts and incoming observations. Many observation mechanisms, however, are many-to-one, implicit, non-smooth, or accessible only through simulation, and need not provide the residual structures or likelihood guidance required...

18. The Illusion of Robustness: Aggregate Accuracy Hides Prediction Flips under Task-Irrelevant Context

研究领域: NLP
作者: Yanzhe Zhang, Sanmi Koyejo, Diyi Yang
arXiv: 2607.12963 | PDF

中文摘要: 随着大语言模型（LLM）能力增强，它们 increasingly 部署在上下文丰富的环境中，任务输入通常伴随着长的、部分不相关的上下文。在受控设置中，我们发现最先进的模型在聚合水平上对任务无关上下文往往显得鲁棒：将其前置到基准问题对整体准确率影响很小。然而，这种聚合稳定性掩盖了显著的逐例不稳定性。即使是语义上无意义的伪词，由随机组合字符形成，也能在小部分示例上显著改变模型预测。我们的发现揭示了聚合准确率隐藏的上下文诱导的尾部风险。

原文摘要: As large language models (LLMs) grow more capable, they are increasingly deployed in context-rich settings where task inputs are often accompanied by long, partially irrelevant context. In a controlled setting, we find that state-of-the-art models often appear robust to task-irrelevant context at th...

19. Form, Not Content? A Preregistered, Placebo-Controlled Evaluation of Learned Error-Conditioned Self-Repair Through Prompts and Weights in Frozen Small Code Models

研究领域: 软件工程, AI, 机器学习
作者: Mehmet Iscan
arXiv: 2607.12962 | PDF

中文摘要: 冻结的小型代码 LLM 在本地部署，但引导失败尝试后重试的信息在自修复文献中仍然没有安慰剂对照测量。我们将失败程序视为猜想，执行反例视为相对于神谕的反驳，并引入 PoPE（Popperian 安慰剂对照评估）：一种测量 falsify LLM 生成代码的证据是否可以被同一模型操作使用的方法。在提示通道中，内容消融的形式安慰剂解锁 12 个单元，而活错误模式臂解锁 10 个；在权重通道中，错误内容适配器与无干预基线打成 8-8 平（p=1.0）。

原文摘要: Frozen small code LLMs are deployed locally, yet the information guiding a retry after a failed attempt is still measured without placebo controls in the self-repair literature. We treat a failed program as a conjecture and an execution counterexample as an oracle-relative refutation, and introduce ...

20. ViCo3D: Empowering LiDAR-based Collaborative 3D Object Detection with Vision Foundation Models

研究领域: 计算机视觉
作者: Haojie Ren, Songrui Luo, Lingfeng Wang, Yan Xia, Yao Li, Jing Li, Lu Zhang, Jiajun Deng, Yanyong Zhang
arXiv: 2607.12959 | PDF

中文摘要: 基于 LiDAR 的车对一切（V2X）系统中的协作 3D 感知通常依赖于跨智能体融合鸟瞰图（BEV）特征。然而，当前由从头训练的 LiDAR 骨干提取的 BEV 表示以几何为主导，缺乏通用语义先验，inherently 限制了特征级协作的效果。我们提出 ViCo3D，一个由视觉基础模型（VFM）驱动的协作 3D 目标检测框架。ViCo3D 从三个方面将 VFM 适配到基于 LiDAR 的协作感知：首先将点云投影到 BEV 平面作为三通道图像，使 DINOv2 能够从 LiDAR 输入提取 BEV 空间视觉特征。在 DAIR-V2X 上，协作增益比先前方法高达 1.8 倍。

原文摘要: LiDAR-based collaborative 3D perception in Vehicle-to-Everything (V2X) systems typically relies on fusing bird's-eye-view (BEV) features across agents. However, current BEV representations, typically extracted by LiDAR backbones trained from scratch, are geometry-dominated and缺乏 general semantic pri...

自动采集于 2026-07-16

#论文 #arXiv #AI #小凯