奇绩信号Alpha Sight 2026年7月28日【文字版】

本期按 arXiv recent 页面 2026 年 7 月 27 日分组筛选论文。该分组与详情页的版本日期不是同一字段：本期多数论文详情页显示 v1 提交于 7 月 24 日，LeAct 显示 7 月 23 日。以下把 7 月 27 日作为列表口径，把详情页作为论文事实与图表来源，不将其混写成统一的提交日期。

今日主线

头条

1. 把 Agent 路由从「每次调用」改成「整条任务」：TRACE-Router 让终局反馈真正可归因 arXiv

• 论文针对企业 Agent 中不同模型的成本—质量权衡，指出传统 request-level router 与 long-horizon workflow 的监督单位不匹配。
• TRACE-Router 在任务进入系统时完成一次模型选择，后续调用固定到同一 backend；终局 reward 同时编码准确率与延迟。
• 作者在三个 Agent benchmark 上验证了准确率—延迟 Pareto 前沿，且不需要显式估计任务复杂度。

• 为新任务提取 admission 时可用的粗粒度 context，由 contextual bandit 选择一个模型 backend。
• 为任务附加持久化 task id，确保中间工具调用、检索和验证阶段不会发生隐式换后端。
• 任务结束后，将准确率与端到端 latency 标量化为 delayed reward，只更新做出该任务级决策的 bandit。
• 这一设计不需要离线标注路由数据，策略随 workload 运行在线适应；代价是一次错误选择会影响整条任务轨迹。

• 在 τ2-Bench 上，TRACE-Router 比 latency-matched interpolation 高 七至八个百分点的准确率。
• 在 Terminal-Bench 上，相比最强单模型 baseline，准确率高 七点一个百分点，同时 latency 低 三十六个百分点。
• 原文还报告：小模型在 τ2-Bench 上的任务成功率为 百分之十点四，大模型为 百分之六十点二；这解释了中途降级为何可能让整条任务失败。

• 结果总结：对长流程 Agent，任务级路由比调用级路由更贴合终局监督，核心收益来自 credit assignment 的改善。
• 局限性：固定 backend 会牺牲中途按调用粒度调整的机会；论文摘要未提供跨更多模型池和更长 workload 的稳定性边界。
• 前沿见解：未来的 Agent serving 可能把 workflow、预算和模型选择作为同一个调度对象，而不是把每个 prompt 当成独立请求。

2. ViTacWorld：用视觉—触觉世界模型扩充接触丰富操作的数据闭环 arXiv

• 论文提出 action-conditioned visuo-tactile world model，目标是生成与动作时间对齐的视觉观察和触觉反馈。
• 训练管线先混合公开真实触觉数据与仿真数据预训练，再用真实机器人 policy rollouts 微调，以缩小下游行为差异。
• 论文将模型用于两个方向：为触觉策略合成数据，以及在受控动作序列下预测策略结果。

• 将触觉传感器视作额外生成视角，通过 view-aware conditioning 和 cross-view attention 对齐视觉流与触觉流。
• 先用大规模真实、仿真 visuo-tactile-action trajectories 预训练，再用目标设置中的真实 demonstrations 和 policy rollouts 微调。
• 模型输入动作 chunk，输出时间对齐的视觉与触觉观测，从而支持 policy-conditioned rollout generation。
• 触觉信号更直接锚定局部接触几何，作者据此利用其相对纯视觉更小的 sim-to-real gap；但真实触觉数据仍昂贵且有硬件依赖。

• 在真实机器人接触丰富任务上，ViTacWorld 生成的 rollout 被报告为具有物理意义，并能提升下游触觉策略。
• 在 policy evaluation 中，模型可以从相同初始观测生成多个 imagined rollouts，用于预测受控动作下的成功或失败趋势。
• policy evaluation 的平均预测与真实执行之间的 gap 为 十点零个百分点；该数字反映的是条件性评估能力，不等同于真实任务成功率。
• 论文展示了模型在真实机器人 rollout、held-out 视频和 U-Block insertion 失败预测上的定性结果，但未在摘要中给出统一跨任务成功率表。

• 结果总结：触觉世界模型把接触反馈从稀缺传感器数据变成可生成、可评估的训练对象。
• 局限性：仿真接触建模、触觉硬件寿命和任务多样性仍是数据规模的主要瓶颈；当前证据以特定平台和任务为主。
• 前沿见解：具身世界模型的竞争点正在从单纯预测 RGB，转向预测与控制闭环真正相关的多模态观测。

3. LeAct：从「沉默专家」的动作反推可训练的推理链 arXiv

• 论文把 expert action 视为外部监督，把自然语言 CoT 当作连接 state 与 action 的潜变量。
• 在每个 state-action pair 上采样候选 CoT，并用学生模型恢复专家动作的概率衡量其有效性。
• 实验覆盖多规模不完全信息博弈和模拟机器人基准；详情页显示该版本提交日期为 2026 年 7 月 23 日。

• 将专家策略 π* 产生的动作作为观测目标，学生对同一状态采样多条候选 reasoning trace。
• E-step 按候选 CoT 对动作概率的提升排序，过滤掉与动作无关的合理化解释。
• M-step 将保留下来的推理链与专家动作作为 SFT 目标，迭代更新学生模型。
• 该框架可接入 CFR solver、DeepCFR policy 或 frontier LLM 的成功轨迹，不要求专家本身输出自然语言。

• 在小规模可枚举博弈中，LeAct 达到 solver 的数值下限。
• 在更大规模任务上，相比最强 expert-iteration baseline，LeAct 与 solver 的距离缩小到接近 五倍的水平。
• 在约 十亿信息集的 Flop Hold'em 上，head-to-head 结果提升 六十 mbb/g。
• 在模拟机器人 probe 中，LeAct 是唯一优于 direct imitation 的训练方案。

• 结果总结：专家系统可以成为不同于人类标注和 LLM 蒸馏的推理教师，关键在于用动作闭环筛掉伪解释。
• 局限性：当前实验集中在博弈和模拟机器人，尚未证明动作稀疏、专家次优或真实机器人噪声下同样稳定。
• 前沿见解：下一步不是让专家写更长的解释，而是从可验证行为中学习哪些解释真正改变了决策。

认知模型

4. VIGOR：把 RLVR 的 rollout 预算给最有信息量的样本 arXiv

• 作者证明，在 binary reward 设置下，组内 reward variance 控制 GRPO gradient magnitude，因此高方差 prompt 更可能提供有效学习信号。
• VIGOR 每轮保留 reward variance 最高的 top-α prompt，并按扩张系数 γ 增加其 rollout 数。
• 实验覆盖四个模型规模和数学、编码任务；公平 rollout-matched 比较中，VIGOR 在四个模型设置上都取得最高 average score。

• 初始阶段为所有 prompt 分配少量 rollout，计算每个 prompt 的组内 reward variance。
• 每轮保留 variance 最高的 prompt 子集，合并历史 rollout，再追加新的采样预算。
• 总 rollout 数固定，变化的是预算在 prompt 之间的分配；GRPO 主体更新保持不变。
• 理论部分给出相对于 GRPO 的闭式 speedup ratio，并讨论 Pareto 分布的 reward variance 下 refinement rounds 带来的收益。

• 数学任务上，VIGOR 最多用 二点三倍更少的 rollout 达到目标准确率。
• 编码任务上，用 一点四九倍更少的 rollout 达到 GRPO 的最终 full pass rate。
• 编码任务 average test pass rate 提升 三点四个百分点。
• Qwen2.5-7B 的六项数学 benchmark 平均分为：GRPO 四十九点八，VIGOR 五十一点零；该比较为 rollout-matched 设置。

• 结果总结：当奖励可验证且组内方差具有学习信号时，在线预算分配是比统一采样更直接的效率杠杆。
• 局限性：方差是 informative 的必要线索而非难度真值；低方差但具有潜在突破价值的 prompt 可能被过早降权。
• 前沿见解：RLVR 后训练的下一阶段，可能从优化器创新转向对每个样本到底值得采多少次的精细调度。

多模态

5. SiPhy：单张 RGB 图像也可以推断质量、密度和刚度 arXiv

• 论文面向单图像物理属性推理，预测 mass、density、Young's modulus 等 2D/3D 层面的属性。
• 输入一张 RGB 图像后，系统采样 pseudo-voxel points，提取 CLIP features，并将其 grounding 到 VLM 提出的材料候选。
• 评测覆盖 ABO-500、MVImgNet-100 和 PhysXNet-100；论文同时在真实 hand-object interaction 数据上验证其作为物理标注引擎的潜力。

• 用 geometry-aware 2D sampling 近似被抬升到三维空间的 voxel centers，保留粗粒度空间结构。
• CLIP 提供视觉 embedding，微调 VLM 提出材料及 density、Young's modulus、thickness 等属性候选。
• mask-aware contrastive module 对齐视觉 patch 与材料语义，再按材料 likelihood 聚合点级属性。
• heaviness-aware thickness refinement 针对厚度与质量的相关性进行修正，改善稠密物体的体积估计。

• mass MnRE 相对 PUGS 最多改善 百分之九十三。
• density MAE 相对 NeRF2Physics 降低 百分之三十五点五。
• Young's modulus error 降低 百分之二十三点五。
• 论文详情页标注该工作已被 ECCV 2026 main track 接收；这是一条论文状态信息，不等同于独立实验验证。

• 结果总结：SiPhy 把单图像物理理解从材质分类推进到质量、密度和刚度等可量化属性。
• 局限性：单视图的深度和内部结构仍然不可观测，模型表现依赖数据集的材料、几何和属性分布。
• 前沿见解：具身系统需要的不只是看见物体，还要从视觉中形成可用于抓取、碰撞和交互的物理先验。

具身智能

6. Robot-Factored World Models：把机器人身体从世界模型里显式拿出来 arXiv

• 论文提出 robot-factored interface，将 action realization 和 robot rendering 两个 robot-specific factor 移出 world model。
• nominal trajectory 由机器人控制器和运动学在观察场景前生成，既避免模型学习动作实现，也避免读取未来交互结果。
• 模型以 camera-aware static RGB/depth、rendered robot geometry、EEF depth 和 scene depth 为条件，强调接触、遮挡和跨 embodiment 泛化。

• 将原始 command 先滚过 robot controller 和 kinematics，得到部署时可用的 nominal trajectory。
• 通过 URDF 渲染与相机对齐的 robot mesh RGB，把 embodiment 的几何、外观和运动学显式编码。
• 加入 end-effector depth 与 scene depth，补充 RGB 中无法可靠表达的接近、接触和遮挡关系。
• 使用 latent video diffusion / flow matching 学习动作引发的场景变化，并将接口设计为可跨视角、跨机器人复用。

• 在 DROID 上，SVD 1.5B + rendered mesh 的 PSNR、SSIM、LPIPS 分别为 二十五点零五、零点八九九、零点零九一；Ctrl-World pose baseline 为 二十三点一五、零点八八四、零点一零四。
• 在 Wan 2.1 14B 的 DROID 设置上，rendered mesh + EEF/scene depth 为 二十一点八七、零点八五九、零点一七八；AdaLN state vector 为 十八点五七、零点八二四、零点二二四。
• 在 RoboCasa-GR1 上，本文设置为 二十四点六一、零点八八九、零点一三一，baseline 为 十七点六七、零点八三五、零点一九四。
• 消融显示 nominal mesh 优于 raw action mesh，加入深度后继续改善；作者还展示了对未见过的机器人 embodiment 和人类示范重定向的泛化。

• 结果总结：显式渲染机器人几何让世界模型学习「场景响应」而非「身体如何执行动作」，接口更接近部署现实。
• 局限性：nominal trajectory 仍依赖机器人控制器和 URDF 质量；跨 embodiment 泛化不能脱离正确的几何与深度条件。
• 前沿见解：机器人世界模型的通用接口可能不是抽象动作 token，而是能被相机直接验证的中间几何状态。

AI4Science

7. LunarFM：把六种月球仪器压进一个共享表征空间 arXiv

• 数据来自三个月球任务的六种仪器，覆盖南北纬七十度以内的月面区域。
• 模型以零点五度乘零点五度 chip 为基本单元，联合学习多模态观测的共享表示。
• 论文提供机器学习就绪数据集、预训练 masked autoencoder 和配套 embedding 数据集。

• 输入来自 LROC WAC、LOLA、Diviner、Mini-RF、GRAIL 和 Clementine 六种仪器，共十八个通道。
• 每个 chip 切成八乘八像素 patch，训练时随机 mask 百分之八十五的输入 patch，并重建所有模态。
• 编码器输出七百六十八维 chip-level embedding；缺失值设为零，并从对应重建损失中排除。
• 训练使用 Adam、初始学习率一乘十的负四次方，约五十万 iterations，在三张 NVIDIA H100 上完成。

• 数据集共包含 二十万一千六百个零点五度 chip，训练、验证、测试划分分别为 十一万七千零二十四、三万八千七百一十五、四万五千八百六十一。
• 地质分类在默认 band split 上 Top-1、Macro-F1、Top-3 分别为 百分之三十三点六、百分之二十三点七、百分之六十点九。
• 在 contiguous longitude holdout 上，三项指标为 百分之十九点八、百分之七点一、百分之四十点八；latitude holdout 上为 百分之十四点六、百分之五点零、百分之二十八点六。
• 十个专家选点训练的 TiO2 少样本回归相关系数为 零点七八四正负零点零二五，随机选点为 零点六五三正负零点二六七。

• 结果总结：LunarFM 证明多模态自监督表征可以在小样本条件下支持多类月球科学任务。
• 局限性：覆盖范围不含两极，Mini-RF 缺失值较多，chip-level embedding 也会压缩更大区域的细粒度信息。
• 前沿见解：AI4Science 的基础模型不一定从单一任务的最优指标开始，而可能先从跨仪器的数据对齐和可复用表征开始。

8. TriGlue：把分子胶设计拆成界面估计与三元复合物生成 arXiv

• 论文将 molecular glue design 定义为 ternary complex generation，面向 E3 ubiquitin ligase、target protein 和 molecular glue 的共同建模。
• 第一阶段用 SE(3)-equivariant module 从两个 unbound monomer structures 估计几何受约束的 protein-protein interface。
• 第二阶段用 interface-conditioned ternary flow matching network 同时生成分子胶并预测刚体旋转和平移。

• interface estimation 模块使用 SE(3) 等变结构，预测由两个蛋白单体共同决定的可行界面。
• interface-conditioned complex generation 模块以界面为条件，联合生成 molecular glue 与蛋白装配所需的 rigid-body transformation。
• 训练目标同时约束 ligand placement、protein-protein docking 和 ternary complex assembly，避免把三者拆成互不相干的后处理。

• ligand placement 的 RMSD Avg、Med 分别为 五点二二、 一点四一；AR、TargetDiff、PocketXMol 的 Avg 分别为 八点一六、六点二七、六点七四。
• TriGlue 的 Vina score Avg 为 负六点二三，Vina min Avg 为 负六点七七，Vina dock Avg 为 负八点二八，Aff Avg 为 零点七九。
• acceptance rate 为 百分之三十五点二，高于 DeepTernary 的 百分之三十点八；去掉 interface correction 后，平均 DockQ 从 零点二二降至 零点一五。
• 原文报告生成分子具有 chemical validity，QED 为 零点六七；这些结果支持可行性，但不等同于湿实验中的真实降解效果。

• 结果总结：界面先验为分子胶生成提供了一个比单蛋白 pocket 更贴合任务机制的结构约束。
• 局限性：DockQ 的完整分布与化学活性仍需更广泛的结构、动力学和湿实验验证，单次生成指标不能替代药效。
• 前沿见解：AI 药物设计的下一步可能不是更大分子生成器，而是把真实生物机制直接变成生成过程中的中间变量。

Infra

9. Efficient Recommendations：图共缩把工业级推荐拆成可并行的两阶段传播 arXiv

• 论文针对工业图规模增长带来的内存、训练和推理瓶颈，提出 graph coarsening + two-stage diffusion 框架。
• 第一阶段在共缩图上用 LPA 或 GNN 传播标签，第二阶段在子图内用 LPA 还原到个体用户推荐。
• 评测使用真实电信数据集，重点报告 NDCG@5、MAP、Recall@5、图结构保真和 runtime。

• 依据共享账单、通话频率等领域规则把用户聚合为近似家庭或业务群组的 super nodes。
• 粗图上的 LPA 或轻量 GNN 产生 coarse-grained prediction，再在每个社区内部运行第二次 LPA。
• 社区内传播可并行执行，减少全图反复扫描；LPA-only 面向低延迟，GNN-enhanced 面向更高质量。

• 两阶段均使用 LPA 时，NDCG@5 相比 full-graph LPA baseline 提升 百分之二十四；MAP、NDCG@5、Recall@5 分别为 零点零二八一、零点零一三八、零点零三四一。
• 第一阶段改用轻量 GNN 后，NDCG@5 相比该方法的 LPA 版本提升 百分之五十四，相比 Louvain + GNN 提升 百分之三十五。
• 原始图单次传播耗时 十七分四十一秒正负三十秒；本文共缩耗时 三十四秒正负五秒，LPA 第一阶段为 九分零一秒正负四十七秒。
• GNN-first 的 NDCG@5 为 零点零一九三，但全图 Users + GNN 会 OOM，说明质量提升伴随显著资源代价。

• 结果总结：结构感知的共缩让图传播从不可承受的全图计算，变成可以按社区并行的两阶段流程。
• 局限性：共缩规则强依赖电信业务语义，换到其他行业时需要重新定义结构保持标准。
• 前沿见解：图推荐的系统优化不应只看模型层，图的组织方式本身就是推荐模型的一部分。

Agent

10. The Regression Tax：技能带来的平均增益，可能被回归错误抵消 arXiv

• 论文定义 regression：无 skill 时成功、加入 skill 后失败；residual failure：两种条件下都失败。
• 实验覆盖两个 office-automation benchmark、三个 model-harness stack 和四种 skill 条件，共 五千八百三十二次 task-condition runs。
• 作者识别三种回归机制：skill-description osmosis、grounding displacement、verification displacement。

• 在相同 benchmark、model 和 harness 下，对比 none、Anthropic、OpenAI 与 Ours 四种 skill library 条件。
• 将 pass-rate difference 写成 gains 减 regressions，避免把净平均提升当作唯一质量指标。
• 通过 trace 分析区分：description 未被调用但已影响行为的 osmosis；程序覆盖输入理解的 grounding displacement；程序抑制输出检查的 verification displacement。
• 作者还重新检查评测 artifact，指出部分失败来自 grader 而非 agent 行为本身。

• 观察到 五百五十三个 gain transitions 和 三百二十四个 regression transitions；regressions 抵消 百分之五十九的 gross gains，净变化为 二百二十九。
• OfficeQA-Pro 的八十一个 regressions 中，grounding displacement 占 百分之七十二点八；SpreadsheetBench 的二百四十三个 regressions 中，osmosis 占 百分之二十八点八。
• 十八个条件中只有 五个达到名义显著性 p 小于 .05；Bonferroni 校正后仅 三个保留显著性，且都来自 Claude Code + sonnet-4.6 + SpreadsheetBench。
• 论文报告 regressions 数量范围为 二至四十一，没有条件达到零回归。

• 结果总结：技能库的可靠性应同时报告 gain 和 regression，并把 grounding、verification 作为一等公民。
• 局限性：实验集中在 office automation，且不同 grader artifact 会改变回归统计；结论不能直接外推到所有 Agent 场景。
• 前沿见解：Agent skill 设计的重点可能从写更详细的流程，转向保留输入判断自由度和强制输出核验。

应用体系

11. Reasoning Denoiser：先清理推理轨迹，再做幻觉检测 arXiv

• 论文观察到长 reasoning trace 中存在无关和重复步骤，两者会遮蔽与 truthfulness 相关的线索。
• ReDe 用 final-answer attention 形塑 step-level representation，测试时以 kNN distance 识别并过滤噪声。
• 方法可插拔到 CCS、supervised probing、perplexity 和 verbalized certainty 等检测器。

• 以最终答案 token 到每个 reasoning step 的 attention score 作为无需人工标注的 supervision signal。
• 对步骤 token 做 perplexity-weighted pooling，得到 step embedding。
• 训练轻量投影网络，使 informative steps 更紧凑、noisy steps 与其分离。
• 测试时按 kNN distance 过滤噪声，再将清理后的 reasoning trace 输入下游 hallucination detector。

• Qwen3-8B 在 TruthfulQA 上，CCS AUROC 从 六十八点六三提升到 八十七点三二；在 Math 上从 六十三点二七提升到 八十一点三三。
• Qwen3-8B 的 supervised probing 在 TruthfulQA、Math、CodeElo、MultiHopQA 上分别达到 八十六点四四、八十七点零六、八十七点一九、八十二点九四 AUROC。
• 在 TruthfulQA 上，直接 attention filtering 的 CCS 为 八十点五一，ReDe 为 八十七点三二。
• 去掉 L_disperse 后，supervised probing AUROC 从 八十六点四四降至 八十点零六；原文主要报告 AUROC，未见 F1 主结果。

• 结果总结：推理轨迹的可用性取决于信号密度，先去噪再检测比直接把整条 CoT 喂给 detector 更稳。
• 局限性：最终答案 attention 是间接监督，且当前实验集中在若干 reasoning benchmark，不能视为通用事实性判别器。
• 前沿见解：长思维链的下一个问题不是继续扩展长度，而是建立可验证的步骤级信息价值评估。

Benchmark

12. SceneActBench：把 3D 能力从「会描述」推进到「会行动」 arXiv

• 基准包含 Layout、Camera、Articulated、Reconstruction 和 Dynamic 五类任务。
• 数据由 二百一十个 source instances 构成，形成 五百二十个 task cases，包含 paired input conditions。
• 评测 十一个 proprietary VLM configurations，Overall 分数范围为 三十八点六至五十点二，没有配置在所有任务上稳定领先。

• 每个任务提供 PNG 视图或采样视频帧，必要时附带匿名 GLB assets；Agent 通过统一的 MCP interface 检查场景、执行 Blender code、渲染并迭代。
• 最终输出一次性与隐藏 3D ground truth 对比，评估器不会把评分反馈泄露给 Agent。
• 五个任务分别覆盖空间布局、相机姿态、关节运动、形状重建和动态推理，使用各自的几何指标。
• 论文同时报告失败阶段，包括 primary geometry、target selection、surface completion 和 motion semantics，并强调 zero eligible evidence 不应记作成功。

• Overall 最高为 五十点二，最低为 三十八点六；最高配置在 Layout、Camera、Dynamic 等任务上占优，但不同配置的优势并不一致。
• Articulated 任务中，Doubao、Claude Opus、GPT 5.4 Medium 恢复的 movable parts 分别为 十三/三百九十一、二百五十五/三百九十一、一百三十二/三百九十一。
• Reconstruction 中，三个代表配置匹配到 四百二十五至四百三十二/五百一十五个目标，但覆盖数仅 二十四至四十四，object-level F@5% 仍为 零点零八八至零点一零四。
• 输入条件敏感性分析显示，Layout 多视角让十一个配置中的 九个提升；但 Dynamic 的 photo-realistic 版本只有 四个提升、六个下降。

• 结果总结：SceneActBench 将 3D VLM 评测从语言答案拉回到可执行产物和几何误差，暴露了模型在任务阶段上的分化。
• 局限性：评测对象是十一个 proprietary VLM configurations，结果受工具预算、固定 loop 和供应商配置影响，难以完全复现内部推理过程。
• 前沿见解：真正的 3D Agent benchmark 需要同时记录动作结果、失败阶段和有效交互预算，单一 Overall 分数远远不够。

阅读优先级

• 先看系统监督如何对齐：TRACE-Router、VIGOR、Regression Tax，分别对应任务级反馈、rollout 预算和技能回归。
• 再看具身接口如何落地：ViTacWorld 与 Robot-Factored World Models，一个增加触觉观测，一个显式渲染机器人几何。
• 最后看评测和科学表示：SceneActBench 把 3D 行动拆成失败阶段，LunarFM 和 TriGlue 则展示跨模态表征与机制化生成如何进入科学问题。