本周 AI 论文速览：推理搜索、可编辑记忆、主动智能体、机器人基准

本期按 2026-07-06 至 2026-07-13 的固定周窗口筛选，选入 4 篇新提交论文。上一期写过的 HealthAgentBench、PPT-Eval、PaperPilot、PAT、ENPIRE 和 Mandol 不再重复。

大模型「多想几轮」到底有没有用——这个问题在过去两年里只有经验答案。Chain-of-Thought、Tree-of-Thought、Self-Consistency 等方法都在 benchmark 上提了分，但没人说清楚：让模型反复反思和修正，本质上是在做搜索，还是在做重复采样？两种机制能带来的收益天花板完全不同。

这篇来自 Hebrew University 的论文（arXiv:2607.06720，2026-07-07 提交）第一次给出了理论回答。核心框架是把 in-context search 建模为对推理轨迹的近似后验更新：基座模型输出先验分布，反思信号提供后验修正。文章的核心结论——只有当反思能可靠定位早期错误时，顺序搜索才能把原本指数级低的成功概率压到多项式次数的尝试里；否则，条件化历史尝试在渐近意义上不比并行采样更好。1

这篇文章还有一层更深的贡献：它证明这种搜索增益是可学习的——在搜索轨迹上做交叉熵训练，就能以多项式样本复杂度恢复所需的后验更新行为；更进一步，在可验证奖励的强化学习框架下，最优策略扩展恰好实现同样的后验重加权规则。换句话说，推理搜索不是某种 prompt engineering 的技巧，而是可以从数据和 RL 中自然涌现的结构。论文也在真实大型推理模型上验证了理论的定性预测。

放在整条 research line 里看，这篇论文相当于给「test-time compute scaling」这整类方法补上了缺失的理论地基。

模型把事实「背」在参数里——这件事的代价大家已经很清楚：错了改不了、过期了删不掉、来源也说不清。过去几年的主流解法是 RAG（生成时检索外部文档），但 RAG 不改训练范式，模型在预训练阶段仍然在背事实，只是推理时补丁式地查文档。

Limited Memory Language Model（LMLM）是最近出现的一条更彻底的路：在预训练阶段就把事实剥离到外部知识库，模型参数只学推理和语言能力。但此前 LMLM 的瓶颈在于知识库本身——用关系三元组建库，查询靠离散文本，覆盖面和检索效率都受限。

Cornell LIL Lab 的 Co-LMLM（arXiv:2607.07707，2026-07-08 提交）把这一步又往前推了一截。它把知识库改成连续向量 key + 文本 value 的键值对，模型生成时用隐藏状态直接发起连续向量查询，不再需要额外解码一段文本 query。这意味着查询开销极低（单次约 2.2 ms），且可以扩展到约 22 亿条外部事实。2 3

配套的另一个突破是标注管线：不再依赖 Wikipedia 的结构化字段，而是能从任意自由文本里标注事实片段。这让知识库的来源从百科扩展到了 FineWeb-Edu 等更广泛的语料。360M 规模的模型在 SimpleQA-Verified 上达到 21.7，在困惑度和事实精度上都超过了用 40 倍数据训练的普通 LLM，事实问答水平与 gpt-4o-mini 相当。2

在这条线上，Co-LMLM 的意义不是又做了一个 RAG 变体——是让「事实可编辑、可溯源、可删除」这件事从概念验证走到了可扩展的工程方案。

AI 智能体评测在过去两年经历了一场静默的升级：从 WebArena 这类静态 benchmark（答案预先录好 → 智能体可以靠记忆或 hack 混过去），到沙盒环境（隔离但单轮），每一步都在修补前一代的漏洞。但一个根本问题始终没解决：当智能体失败了，你知道是模型本身不行，还是 agent framework 的设计拖了后腿？

HKU MMLab 和美团联合提交的 UniClawBench（arXiv:2607.08768，2026-07-09 提交）试图一次性回答这个问题。它的设计做了三件事：4

第一，从能力维度而不是场景维度定义任务。400 个中英双语真实任务被拆成 5 类基础能力——工具使用、探索、长上下文推理、多模态理解和跨平台协同——每一类单独可测。场景可以混用能力，但 UniClawBench 让你知道是哪个能力没跟上。

第二，闭环评测。执行智能体在真实 Docker 容器里做任务，隐藏监督者给出分步完成度判定，用户模拟器持续提出多轮需求。这比静态答案和单轮评测更接近真实使用。

第三，解耦框架评估。同一批模型在不同 agent framework 下分别评测，让你能区分「模型不行」还是「框架不行」。GitHub 已公开任务套件、运行时和 WebUI 评审工具。5

在这条 benchmark 演进线上，UniClawBench 把 agent 评测从「能不能完成任务」推进到了「哪个能力组件需要补」。

机器人操作 benchmark 的演进规律很清晰：单任务 → 多任务，单臂 → 多臂，固定视觉 → 可变视觉。MetaWorld 做多任务但限单臂单一场景，CALVIN 加了长序列但仍是固定环境。当领域开始追求「通用操作策略」时，任何单一维度的 benchmark 都会变成天花板。

DexVerse（UNC-Chapel Hill / HKU / UC Berkeley，arXiv:2607.08751，2026-07-09 提交）直接把这个天花板往上推了一层：100 个任务覆盖抓取、关节物体操作、工具使用、双手协调、非抓握控制、接触密集型行为和多阶段长程任务；3 种机械臂 × 6 种灵巧手，纹理、背景、光照、视角均可配置变化；附带 3,180 条 VR 遥操作示范，含本体感知、RGB、深度、点云和状态观测。6 7

最有信息量的是基线结果：Diffusion Policy、DP3、OpenVLA 和 π₀.₅ 在 19 个任务上最好平均在线成功率只有 0.34。这个数字告诉你的不是「这些方法不行」，而是「跨任务、跨实体的泛化能力，今天是这个领域真正的短板」。在机器人基础模型的叙事里，诚实地说出当前成功率 34%，比一个挑了最好片段剪出来的 demo 视频有价值得多。6

在这条线上，DexVerse 的贡献不是又做了一个 benchmark——是用任务×实体×视觉的乘积空间，把「通用操作」从口号变成了可测量的目标。

四篇论文连起来，本周的主线是「给 AI 系统的能力画更清晰的边界」：推理搜索划清了反思什么时候是真搜索、什么时候是重复抽样；Co-LMLM 让模型事实从黑箱权重变成了可追踪的外部记忆；UniClawBench 把 agent 评测从完成任务拆解到诊断能力组件；DexVerse 在 100 个任务×多种手型上诚实暴露了机器人泛化的真实水位。