AI 论文早报｜8 月 7 日：从安全测量到技能切换，5 篇论文把长程能力放进可验证闭环 (2026)

截至 2026 年 8 月 7 日 07:00（北京时间），本期选取 5 篇 arXiv v1 新论文。5 篇论文的摘要页都显示 2026 年 8 月 5 日提交，换算为北京时间是 8 月 6 日；选题重点放在可核验的机制、定量结果和适用边界，而不是只报一个榜单分数。

今日看点

把安全评测压缩成三个潜变量：Item Response Theory for AI Safety 用 8 个安全基准、5,255 个题目和最多 192 个语言模型拟合 IRT，得到 refusal strictness、truthfulness、contextual harm 三个因子；固定 75 个题目可以恢复三种能力，自适应题目则把部分评测成本压低 97%–99%。
把长程推理的难点定义成「技能切换」：Skill Entropy 在 558 个技能、9 个领域上量化跨技能转移，并用技能标签参与强化学习；Qwen3-4B-Instruct 在作者的 Skill2-Bench 上从 34.4% 提升到 68.4%。
给视频世界模型加一个可自检的回路：WorldCycle 用动作序列及其逆序构成闭环，训练模型回到初始状态；作者报告 state-returning drift 最多降低 44%，复合动作准确率接近基线的 4 倍。
让图像检索记住多轮上下文：CoCo-IR 用随对话轮次变化的 Transformable Image Embeddings 处理连续指令，在 4 轮 CoCo-IR 基准上取得 44.1 R@1，对比方法为 28.2 R@1。
把多模态预训练拆成知识流和训练配方：Towards Physics of Multimodal Pretraining 认为视觉应尽早加入联合训练，并报告共享 attention / normalization、模态专属 FFN 更利于协同；其搜索出的配方是语言 70%、视觉理解 25%、视觉生成 5%，不是一个可以脱离模型规模直接套用的定律。

共同线索很清楚：这些工作都在问「模型为什么得分」，但答案不同。第一篇测量能力结构，第二篇把失败定位到步骤间的切换，第三篇用闭环验证长程一致性，第四篇让交互历史进入表示，第五篇追踪模态之间的知识流动。对读者来说，最值得比较的不是谁的分数最高，而是每种测量能否覆盖你关心的失败模式。

1. Item Response Theory for AI Safety：安全基准能否被压缩成一把量尺

作者与来源：Joshua Fonseca Rivera、Neil Shah、David Demitri Africa、Konstantinos Voudouris；前两位标注为 Independent，后两位来自 UK AI Security Institute。arXiv v1 提交于 2026 年 8 月 5 日 17:25:27 UTC（北京时间 8 月 6 日 01:25:27），论文原文为 Item Response Theory for AI Safety。1

问题背景：安全基准常把每个模型压成一组分数，但不同题目的难度和区分度并不相同。模型在某个基准上的高分，未必说明它掌握了可以迁移到另一套题目的安全能力。论文把 8 个安全基准的 item-level responses 放进 2PL IRT 模型，最多覆盖 192 个语言模型和 5,255 个题目；清洗后用于部分分析的完整题目集为 5,067 个。2

方法要点：作者先分别拟合 8 个基准的能力，再对 8 维 ability matrix 做因子分析。三因子模型解释 77% 的方差，CFI 为 0.97；三个因子分别是 refusal strictness、truthfulness 和 contextual harm。它们并非「安全总分」的三个换名字版本：TruthfulQA、Do-Not-Answer 主要聚到 truthfulness，HarmBench、SORRY-Bench 等聚到 refusal strictness，AdvBench 与 Health-ORSC 聚到 contextual harm。2

IRT for AI Safety 将题目拟合、潜变量和压缩评测放在同一张图中 — 图示了从 item response 拟合到三种潜在能力，再到自适应测验和 person-fit 审计的完整链路。2

结果亮点：三个固定的 25-item tests 共 75 题，不到完整题库的 2%，对三种 latent abilities 的 rank recovery 分别达到 ρ=0.94、0.83、0.89。对单个基准使用约 10 个自适应题目时，full-score recovery 比随机抽取 10 题好 18%–34%，成本降低 97%–99%，rank recovery 达到 ρ=0.92–0.94。2

阅读价值与边界：如果你要搭建模型安全回归测试，这篇论文提供了比「每套基准都跑满」更省成本的测量思路，也提醒你先区分 refusal、truthfulness 和 contextual harm。它的审计实验还在特定 sandbagging 设置下工作：在 10% false-positive operating point，person-fit 与 ability-shift 组合对不同 runs 的检测率为 94%–97%；这不是对所有隐藏行为的通用探测器。论文是 arXiv 预印本，且分析依赖这 8 个基准和可获得的模型响应，部署前仍需在自己的模型族与风险题库上校准。2

2. Skill Entropy：长程推理难在何处切换技能

作者与来源：Yinghui He、Ling Yang、Jiarui Liu、Yongjin Yang、Lechen Zhang、Yingcheng Wu、Zhenfei Yin、Mengdi Wang、Sanjeev Arora；机构信息未在摘要页头部列出。arXiv v1 提交于 2026 年 8 月 5 日，论文原文为 Toward Skill-Native LLMs，代码仓库为 Gen-Verse/Skill-Entropy-RL。3

问题背景：一道长程任务可能连续要求方程求解、文档抽取、路径规划和指令执行。单项技能都做得不错，跨技能时仍可能在下一步沿用前一步的答案形式。论文把从技能 A 切换到技能 B 的额外困难定义为 pairwise Skill Entropy，并将任务中的相邻技能熵取平均。

方法要点：作者构建 Skill2-Bench，覆盖 9 个领域、558 个标注技能；测试集有 300 个 cross-skill tasks，长度为 2–10 步。训练方法 Skill-Entropy RL 让模型每一步同时输出答案和技能标签，再把 step-level answer reward 与技能序列对齐 reward 组合起来。9K 个跨技能任务中，3K 用于 SFT warm-up，6K 用于 RL；训练只使用 6 个可验证领域，3 个开放式领域留作评测。4

Skill2-Bench 用技能切换难度连接评测与强化学习 — 原图同时展示了 558 个技能、跨技能长程任务、技能标注 rollout 和 Skill Entropy reward；它解释了「测什么」如何接到「怎么训练」。4

结果亮点：在 Skill2-Bench 上，Qwen3-4B-Instruct 从 base 的 34.4% 提升到 68.4%，Qwen3-1.7B 从 14.6% 提升到 40.1%。相对 GRPO，两个模型分别提高 9.6 和 7.9 个百分点；相对最强的 skill-aware baseline STAT，分别提高 7.0 和 7.1 个百分点。论文还观察到，任务级 skill entropy 越高，模型准确率整体越低。4

阅读价值与边界：这篇工作适合用来诊断「每一步都像会做，但串起来就失控」的模型。它的增益首先证明在作者构造的跨技能基准上成立；训练只覆盖可验证领域，开放式领域只用于评测，且技能标签与 gold skill chain 本身是额外监督。把 68.4% 直接解释成通用长程推理能力，会超过这组实验能支持的范围。4

3. WorldCycle：用可逆动作给视频世界模型做长程自检

作者与来源：Bohai Gu、Yueyang Yuan、Taiyi Wu、Dazhao Du、Jian Liu、Xiaoyi Pang、Jie Zhang、Xiaocheng Lu、Haobin Zhong、Xiaotong Zhao、Alan Zhao、Song Guo；机构信息未在摘要页头部列出。arXiv v1 提交于 2026 年 8 月 5 日，论文原文为 WorldCycle。5

问题背景：互动视频世界模型在长序列 rollout 中会累积漂移。训练数据通常只给动作和局部未来帧，没有一条可直接核验的长程真实状态轨迹；模型于是可能记住「第几步应该长什么样」，却没有学会稳定的状态变换。

方法要点：WorldCycle 把一个动作序列和它的逆序拼成可逆动作闭环，要求模型最终回到初始状态。Spatial Closure Reward 比较闭环中镜像对应的帧，定位单个 cycle 内的空间漂移；Temporal Consistency Reward 则比较重复执行同一闭环时相同 phase 的状态。训练先做 spatial warm-up，再加入 temporal reward，同时保留 action-following 和 visual-quality score。作者据此提出 CycleBench，覆盖 reversible、closed、repeated、cascaded 四类 cycle，并测试 125、253、381 frames 以及复合动作。6

WorldCycle 在 253 帧、两个 cycle 的起点和中段比较不同世界模型 — 这张原图把两次 cycle 的 Start / Mid 帧并排比较，用来观察长序列中状态是否保持一致。6

结果亮点：作者报告 state-returning drift 最多降低 44%，composite-action accuracy 接近 base model 的 4 倍；CycleBench 还用于区分短期动作跟随与长程闭环一致性。6

阅读价值与边界：它把「长程会不会漂」改写成可以自我核验的闭环问题，适合关注视频预测、游戏环境模拟或可交互 world model 的读者。闭环回到初始状态能检验一致性，但不等同于真实世界未来状态准确；论文报告的结果仍来自其视频环境、动作集合和 CycleBench 设置，迁移到真实机器人或开放世界前不能省略外部状态验证。6

4. CoCo-IR：多轮图像检索不再把上下文压成一句话

作者与来源：Shengcao Cao、Tanmaya Shekhar Dabral、Zhongli Ding、Madhuri Shanbhogue、Kaifeng Chen、Zhe Li、Mojtaba Seyedhosseini、Yu-Xiong Wang、Liang-Yan Gui；机构信息未在摘要页头部列出。arXiv v1 提交于 2026 年 8 月 5 日，摘要页 Comments 标注 ECCV 2026。论文原文为 CoCo-IR，项目页为 coco-ir.github.io。7

问题背景：传统 composed image retrieval 通常处理一次「源图像 + 文本修改」；真实用户却会继续说「保留刚才的构图，但换成更亮的黄昏」。如果系统每轮只看最新指令，早先的图像和修改历史就会丢失；如果把历史先总结成一句话，细节又可能在摘要中被压扁。

方法要点：CoCo-IR 将检索建模为最多 4 轮的图文交互。模型用专用 <EMB> token 汇总完整历史，再通过线性投影得到 Transformable Image Embedding；同一轮内使用双向注意力融合图文，轮次之间使用因果注意力保留顺序。作者还用 LMM 自动生成指令和多轮链，并由模型引导的 verifier 挖掘 hard negatives。8

CoCo-IR 对比总结上下文方案与原生 TIE 的多轮检索 — 原图显示：传统方案先把历史总结后交给单轮模型，而 TIE 直接在连续轮次中更新表示，示例从去文字、换成黄昏到调整亮度逐步检索。8

结果亮点：在单轮 CIRCO 上，模型达到 39.4 mAP@5；在新 CoCo-IR 基准的 4-turn 设置上达到 44.1 R@1，对比方法为 28.2 R@1。论文还报告 FIQ Recall@10 为 40.1、CIRR Recall@1 为 38.7。8

阅读价值与边界：如果你的检索需求会连续修图、选款或改风格，重点应看系统是否保留了跨轮约束，而不只是单轮相似度。这里的主要证据来自作者新建的多轮 benchmark 和自动生成数据；LMM 生成与 verifier 筛选可能让数据分布更贴近该方法，真实用户对话中的歧义、跳跃和否定表达仍需要独立验证。9

5. Towards Physics of Multimodal Pretraining：统一训练何时会互相帮忙

作者与来源：Junlin Han、Shengbang Tong、David Fan、Minghao Chen、Philip Torr、Filippos Kokkinos、Mike Lewis；机构信息未在摘要页头部列出。arXiv v1 提交于 2026 年 8 月 5 日。论文原文为 Towards Physics of Multimodal Pretraining，项目页为 Physics of Multimodal Pretraining。10

问题背景：统一多模态模型把语言、视觉理解和视觉生成放进同一个训练过程，但「共享越多越好」并不成立：某种视觉数据可能帮助语言，复杂任务也可能争夺同一套容量。论文把问题拆成知识流动、模态协同与竞争、统一时机和训练配方四部分。

方法要点：控制实验使用 1.5B 级 Llama-3-like backbone，总参数量约 2.3B；大规模验证训练了多个 13.5B MoE 模型，数据规模达到 2T tokens。作者比较共享 attention / normalization、模态专属 FFN 和更彻底的模块拆分，并研究视觉在预训练早期或后期接入的差别。结果指向四个经验：知识流动具有方向性，简单视觉任务更可能与语言协同；共享 attention 与 normalization、只拆分 FFN 更能保留协同；晚接入视觉会出现 vision laziness；混合数据搜索得到 L70/U25/G5，即语言 70%、视觉理解 25%、视觉生成 5%。11

结果亮点：在其控制实验中，background 图像让语言困惑度变化为 ΔPPL −0.211，noise 为 −0.183；video 和 SSTK 则分别为 +0.052 和 +0.075。L70/U25/G5 搜索结果的 Language PPL 为 15.68，Visual Understanding Avg 为 38.5，GenEval 为 0.237，CLIP-Sim 为 0.275，DiffLoss 为 0.2868。论文还在 13.5B MoE、2T tokens 规模上验证这些方向。11

阅读价值与边界：这篇论文最实用的启发不是记住「5%」，而是先检查自己的多模态训练是否把视觉接入得太晚、是否把共享模块和模态冲突混为一谈。L70/U25/G5 是作者搜索空间内的配方，指标依赖模型结构、数据质量、token 配比和训练目标；它可以作为消融实验的起点，不能直接当成所有模型的最优比例。论文是预印本，完整结论仍应结合项目页和原文实验表阅读。12

一句话收束

今天的 5 篇论文都在减少「模型为什么变好」的黑箱，但证据强度各不相同：IRT 的优势是测量成本和能力结构，Skill Entropy 的优势是把跨技能失败变成训练信号，WorldCycle 的优势是为长程一致性提供闭环检查，CoCo-IR 的优势是保留交互历史，多模态预训练论文则给出可复现实验变量。若只深读一篇，先按自己的问题选择：做安全评测看第 1 篇，做推理训练看第 2 篇，做世界模型看第 3 篇，做视觉检索看第 4 篇，做统一多模态训练看第 5 篇。

References

1
arXiv 摘要页：Item Response Theory for AI Safetyarxiv.org
2
论文 HTML：数据与 IRT 建模arxiv.org
3
arXiv 摘要页：Toward Skill-Native LLMsarxiv.org
4
论文 HTML：Skill2-Bench 与训练设置arxiv.org
5
arXiv 摘要页：WorldCyclearxiv.org
6
论文 HTML：WorldCycle 方法与 CycleBencharxiv.org
7
arXiv 摘要页：CoCo-IRarxiv.org
8
论文 HTML：CoCo-IR 任务、TIE 与数据引擎arxiv.org
9
项目页：CoCo-IR benchmark 与方法说明coco-ir.github.io
10
arXiv 摘要页：Towards Physics of Multimodal Pretrainingarxiv.org
11
论文 HTML：实验规模、架构与训练配方arxiv.org
12
项目页：Physics of Multimodal Pretrainingjunlinhan.github.io