🤖 AI 速览

今天的主线不只是模型变强，而是智能体工程化进入细节战：反馈是否真实有效、评测如何更可操作、成本与合规如何约束部署。Anthropic 的产品更新、Claude Science 与隐蔽水印争议，共同指向下一阶段竞争：可控、可复现、可信任的 AI 工作流。
📋 文章元数据
发布时间
2026-07-02
类型
ai-daily
字数
3312
阅读时长
16 min

2026-07-02 AI日更 | Anthropic 全线更新背后：智能体进入成本、合规与可复现竞争 链接到标题

今天的主线不只是模型变强，而是智能体工程化进入细节战：反馈是否真实有效、评测如何更可操作、成本与合规如何约束部署。Anthropic 的产品更新、Claude Science 与隐蔽水印争议，共同指向下一阶段竞争：可控、可复现、可信任的 AI 工作流。

📖 本期 Watch List 深度导读 链接到标题

今天最值得关注的是“智能体工程化”的细节问题：从生产环境中的技能描述优化、自然语言反馈的真实增益，到迭代式 Prompt 调试与 Text-to-SQL 的测试时验证，几篇论文都在回答同一个问题——Agent 不是能跑就够，关键在于如何稳定路由、可控改进、减少误判。

第二条主线是评测范式升级。BayesBench、校准公平比较、心理健康 TheraJudge 等工作，都在把评测从静态打分推向多轮信念更新、准确率控制和可操作的质量信号，值得做模型评估和安全治理的团队细读。

此外，多语言与真实噪声场景明显升温：罗马化印英混写、孟加拉噪声事件检测、阿俄科学语料，都提醒我们，下一阶段模型能力的差距，可能不在干净英文榜单上，而在复杂、低资源、跨文化的实际使用环境里。

🌐 X 平台 AI 热点快讯 链接到标题

话题 1:Claude Fable 5 Returns Worldwide After U.S. Lifts AI Export Restrictions 链接到标题

  • 分类:AI · News
  • 概况:热度时间:1 day ago,相关帖子数:121000
  • 是什么事:美国解除相关 AI 出口限制后，Anthropic 的 Claude Fable 5 据称已在全球范围恢复提供服务。
  • 为什么重要:这显示先进 AI 模型的可用性仍深受出口管制和地缘政策影响，可能改变全球开发者、企业和研究机构获取前沿模型的能力。
  • 讨论概况:X 上讨论主要集中在开放访问是否会加速全球 AI 创新、是否削弱美国技术管控效果，以及该模型恢复服务后在性能、安全和合规方面是否会面临新的监管压力。

话题 2:Anthropic Launches Claude Sonnet 5 with Strong Agentic Skills 链接到标题

  • 分类:AI · News
  • 概况:热度时间:1 day ago,相关帖子数:42000
  • 是什么事:Anthropic 发布 Claude Sonnet 5，主打更强的智能体任务执行、编程和多步骤推理能力。
  • 为什么重要:这表明主流大模型竞争正从单次问答能力转向可持续执行任务的 agentic 能力，可能影响开发者工具、企业自动化和 AI 应用架构。
  • 讨论概况:X 上讨论集中在 Sonnet 5 是否显著缩小与 Claude Opus 的差距、智能体框架是否正成为新的竞争核心，以及其性价比、编程表现和与 Google、开源代理工具的竞争关系。

话题 3:ByteDance’s Seedance 2.0 Delivers 4K AI Video Magic for Creators 链接到标题

  • 分类:AI · News
  • 概况:热度时间:16 hours ago,相关帖子数:1400
  • 是什么事:字节跳动推出或展示了 Seedance 2.0，被称为面向创作者的 4K AI 视频生成工具。
  • 为什么重要:这表明大模型视频生成正在向更高分辨率和创作工作流落地推进，可能加速 AI 视频在短片、广告和社交内容生产中的应用竞争。
  • 讨论概况:X 上讨论主要集中在 4K 生成质量、稳定性和创作者实用价值，也有人关注其与 OpenAI、Runway、Google 等视频模型的竞争，以及版权、成本和内容真实性风险。

话题 4:Tesla Brings FSD v14 Lite to Older Hardware 3 Vehicles 链接到标题

  • 分类:AI · News
  • 概况:热度时间:2 days ago,相关帖子数:48000
  • 是什么事:特斯拉开始向搭载 Hardware 3 的旧款车辆推送 FSD v14 Lite，为早期车型带来部分 v14 自动驾驶能力。
  • 为什么重要:这显示 AI 自动驾驶模型可通过蒸馏和算力优化下放到旧硬件，关系到车端 AI 的可扩展性、用户权益和自动驾驶商业化节奏。
  • 讨论概况:X 上讨论集中在 HW3 车主是否终于获得承诺中的功能、v14 Lite 与完整 v14 的差距、旧硬件安全边界，以及特斯拉是否应为无法实现无监督 FSD 的车辆提供升级或补偿。

今日 X 上的 AI 舆情小结 链接到标题

今天的舆论主线是：AI 能力正在快速从“可用”走向“可执行、可生产、可下放”，同时被地缘政策、硬件约束和监管风险持续塑形。共识在于，前沿模型、智能体、4K 视频生成和车端自动驾驶都显示出 AI 商业化落地正在加速，开发者、创作者和车主都可能直接受益。分歧主要集中在这些进展是否真正带来质变：Claude 服务恢复是否削弱出口管制，Sonnet 5 是否足以挑战更高端模型，Seedance 2.0 是否具备稳定创作价值，FSD v14 Lite 是否兑现了对旧车主的承诺。潜在风险则包括先进模型跨境可控性下降、智能体执行带来的安全与责任问题、AI 视频的版权和真实性冲击，以及旧硬件自动驾驶能力边界不清引发的安全、补偿和监管争议。

💡 大佬观点(Influencer Insights) 链接到标题

2026年7月1日 AI 行业大佬观点日报 链接到标题

基于过去 24 小时的 X 平台动态，AI 行业昨天经历了信息量极其密集的一天：Anthropic 几乎是“全家桶式更新”，同时伴随着隐私争议、开发者工具生态的深度演化以及 Web3 x AI 的落地。 以下提炼核心信息。

1. 今日大佬们共同关注的技术趋势或产品热点 链接到标题

1.1 风暴中心：Anthropic 全产品线解禁与更新 链接到标题

Anthropic 的大动作牵动了所有开发者的神经，关于模型的讨论占据了一半版面。

  • 🚀 Fable 5 全面解禁复出：经过与政府协商，Claude Fable 5 和 Mythos 5 的出口管制被取消。从 7 月 1 日起恢复上线，7 日后实行积分制计费（@dotey）。@zhixianio 之前惊叹 Fable 5 构建 Demo 的超高生产效率（40 分钟完成 70% 工作并指出设计缺陷），让他产生了“Shut up and take my money”的付费意愿。@dotey 同时提到，此次解禁伴随了对网络安全任务的更强拦截分类器（New classifiers），Anthropic 承诺与政府合作制定风险标准（@dotey）。
  • 🧬 发布垂直领域工具 Claude Science：定位为“科学界的 Claude Code”，集成了超过 60 个专业科学数据库，主要解决生命科学领域“工具切换频繁”的痛点。重点在于支持可复现性（代码附着图表）和本地化运算（敏感数据不离本地）（@dotey）。此前的竞品 OpenAI GPT-Rosalind 则侧重领域推理模型（@dotey）。
  • ⚡️ Sonnet 5 正式接棒：取代 Sonnet 4.6，代理能力大幅提升，接近更昂贵的 Opus 4.8 但 API 价格仅为其 40%。关键细节在于换用了新分词器，实际消耗 Token 数可能上升 35%（推广期价格已对冲），这值得开发者留意成本。（@dotey）。
  • 🔧 开源 IDE Orca 崭露头角：在 Claude Code 风光无限时，社区开始关注开源的竞品 IDE Orca（类 Codex/CC 的开源实现），支持多平台和主流模型（@dotey 转引 @LinearUncle）。

1.2 Codex/Claude Code 的深度使用与“漏洞”挖掘 链接到标题

  • 隐藏机制“水印门”爆发：Claude Code v2.1.196 被逆向工程曝光，指出 Claude Code 会针对使用中国代理（百度/阿里/字节等域名）或特定时区的用户，利用 Unicode 零宽/相近字符在系统提示词中隐蔽嵌入标记（Covert channel）。这件事或成为行业合规讨论的导火索（@dotey）。随后 Anhropic 的研究员 @trq212 回应这是一个已计划移除的旧版防滥用机制（@dotey）。
  • 额度 Bug 与技巧：有博主发现 Codex 的 /goal 模式出现了”不消耗额度“的新 Bug（@Pluvio9yte）；同时微技巧也在流传，如利用旁路 /side 查进度、利用 Goal 模式收尾长任务等（@Pluvio9yte 转 @afei_AI）。
  • Vibe Coding 的资产流：9.9 元/月的“火山引擎 Coding Plan”正式开卖，标志着 AI 编程 API 已变成极其廉价的快消品（@Pluvio9yte）。

1.3 Web3 + AI Agent 衍生出的“一人公司”基础已齐备 链接到标题

  • OKX 上线 AI Agent 市场：一个让 AI Agent 可以自主接单、干活、链上收钱并互相雇佣的市场落地。Agent Trade Kit 已开源，配合 Claude Code 等工具，一个人配置几个 AI Agent（分析、盯盘、交易）就能达到专业机构团队效率，这个叙事被验证了（@Pluvio9yte 引 @star_okx）。

2. 值得注意的独特观点或行业前瞻 链接到标题

  • @dotey 的“制造者与感知者”论：在点评 Spotify 使用 Claude Code 做宣传被用户群嘲时，他指出衡量 AI 价值的标准，不应只是“工程效率指标”——例如每日部署 4500 次、73% 的 PR 由 AI 辅助——而忽略了用户侧的真实感知。 生产的代码多了，但用户没有感受到产品变好，这反而折射了行业沉溺于生产指标而忽视产品体验的治理误区。
  • @zhixianio 的“10B 瓶颈论”：他实测了 Gemma 4 12B Coder，发现虽然微调让其收敛更快，但受限于 12B 总参数量，在处理长篇、有状态、一次性成型的复杂程序时存在不可逾越的天花板（比如俄罗斯方块会写崩）。他强调像 Qwen 35B MoE 这种大参数量+稀疏激活的甜点模型，依然稳坐端侧/消费级开发的“甜点王座”。
  • @gefei55 的“特洛伊木马式定价”：利用锚定效应展示层级定价（如 34.9 元买 50 张，加 10 元多 50 张）。他将此策略映射到 SaaS 的月付/年付套餐设计里，通过引导用户选择“第二便宜的膨胀套餐”来有效提升客单价。
  • @ruanyf 关于“护城河”的拷问：转述了 Cloudflare 工程师通过 AI 复刻 Next.js 只花了 1100 美元 Token 费用的案例。在 AI 降维打击之下，传统代码壁垒已经消失，未来防止竞品吞噬市场的护城河可能只剩“测试用例”和“复杂场景的集成经验”。
  • @lijigang 的“Token 异质性”理论：提出一个经济学警示，Token 不像电力那样是同质化的基础能源；不同模型的 Token 代表的价值和认知能力是有断崖式差异的。顶级模型的 Token 将无法被商品化，而是走向类似税收一样的供给瓶颈垄断状态。
  • @vista8 关于 3Blue1Brown 总结的 AI 上限：认为 AI 最被低估的优势是并行化计算能力而非智力；它能极速连接人类已有知识，但在“创造世界全新思考框架”（跨范式跃迁）这种低概率事件上，AI 依然乏力。

3. 推荐的工具或资源 链接到标题

🧠 开发与前沿工具 链接到标题

  • Claude Science：面向生命科学计算的 Agent 工作台（@dotey）。解决计算生物学家文-代码-集群反复横跳的困扰，自带 60+ 数据库及可复现代码。
  • Orca (Coding IDE)：一款被大佬多次推荐的开源代码编辑器，全平台，算是桌面端对 Claude Code/Codex 的开源补充，适合不安于“黑箱”的开发者（@dotey/ @LinearUncle）。
  • DevSpace (MCP 隧道)：一个新的神奇开源项目，将本地的 MCP 服务器暴露给 ChatGPT 网页版，让网页版拿到本地代码读写权限。实现在 ChatGPT 里使用 GPT-5.5 Pro 模型干活，双份额度（@gefei55）。
  • 前端动画词典 Skill：包含 animation-vocabulary (查术语)、emil-design-eng (打磨质感)、review-animations (审查动效) 三个 Skill 开源库，告别“不知专业名词而调不出高级动效”的尴尬（@vista8）。

🤖 提高效率与业务 链接到标题

  • X Agent 流挖掘器：@gefei55 开源的小玩具。调用低成本 X 的 API 扫描热点链接，并反向溯源 SEO 流量。可将刚流行还未登顶 Google Trends 的爆款域名转化为流量起飞站，同时提供了便宜好用的 Twitter API 供应商推荐。
  • OKX MCP 插件 / Agent Trade Kit：全开源，适配 Claude Code/Cursor，AI 能够自主执行现货、网格、合约等 164 种专业交易工具（@Pluvio9yte）。
  • ChatGPT 聊天清道夫插件：@Pluvio9yte 开发的完全免费本地 Chrome 插件，用于批量删除或归档 ChatGPT 左侧栏记录，解救强迫症。

🎨 创作与基础设施 链接到标题

  • AI 视频 Skill 开源库：@Pluvio9yte 开源的整套复刻 HyperFrames 风格的视频生成 Skill，给不会 AE/PR 的人的“视频微调”福利。
  • ARGUS 集群监控方案：腾讯团队开源的万卡 GPU 集群自动定位故障的方案。核心发现是，70% 的训练中断不是卡坏了，而是网络通信丢包和路由故障。适合做私有化部署的大模型 Infra 团队（@vista8）。

📚 附录:今日 Watch List 更新源列表 链接到标题

时间窗口:最近 3 天;覆盖 22 个源;共 31 条更新

Two Minute Papers (B_intro+search) 链接到标题

  • AI Just Entered A New Era
    • 发布时间:2026-07-01 13:23 北京时间
    • 摘要:- ❤️ 在这里查看 Lambda 并注册他们的 GPU Cloud：。
      • Adam Bridges、Benji Rabhan、B Shang、Cameron Navor、Charles Ian Norman Venn、Christian Ahlin、Eric T、Fred R、Gordon Child、Juan Benet、Michael Tedder、Owen Skarpness、Richard Sundvall、Ryan Stankye、Shawn Becker、Steef、Taras Bobrovytsky、Tazaur Sagenclaw、Tybie Fitzhugh、Ueli Gallizzi。
    • EN 要点:
      • ❤️ Check out Lambda here and sign up for their GPU Cloud:
      • 🙏 We would like to thank our generous Patreon supporters who make Two Minute Papers possible:
      • Adam Bridges, Benji Rabhan, B Shang, Cameron Navor, Charles Ian Norman Venn, Christian Ahlin, Eric T, Fred R, Gordon Child, Juan Benet, Michael Tedder, Owen Ska…

ArXiv cs.AI (B_intro+search) 链接到标题

  • What Drives Interactive Improvement from Feedback?

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30774v1 公告类型：新。
      • 摘要：我们研究自然语言反馈何时产生超越仅通过重复尝试获得的收益的改进。
      • 在多轮语言代理设置中，更高的最终精度可以反映有用的反馈，但它也可能来自重采样、格式校正或额外的测试时间计算。
      • 为了区分这些影响，我们引入了跨 Omni-MATH、Codeforces、BBEH Linguini 和 ARC-AGI1 的受控学生-教师协议，评估学生和教师角色的 13 个开放权重模型。
    • EN 要点:
      • arXiv:2606.30774v1 Announce Type: new
      • Abstract: We study when natural-language feedback produces improvement beyond the gains obtainable from repeated attempts alone
      • In multi-turn language agent setting, higher final accuracy can reflect useful feedback, but it can also arise from resampling, format correction, or additional…
      • To separate these effects, we introduce a controlled student-teacher protocol across Omni-MATH, Codeforces, BBEH Linguini, and ARC-AGI1, evaluating thirteen ope…

  • Contrastive Reflection for Iterative Prompt Optimization

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30840v1 公告类型：新。
      • 摘要：LLM 代理正在成为信息检索的核心：他们发出检索查询、综合答案，并越来越多地充当 IR 评估的法官。
      • 改进控制这些代理的提示是一个优化问题，但在应用的 IR 设置中，它通常看起来不像盲目搜索，而更像调试。
      • 工程师需要知道哪些行为失败了，哪些附近的行为仍然有效，两者有何区别，以及即时编辑是否可以在不引入回归的情况下提高保留质量。
    • EN 要点:
      • arXiv:2606.30840v1 Announce Type: new
      • Abstract: LLM agents are becoming central to information retrieval: they issue retrieval queries, synthesize answers, and increasingly serve as judges for IR ev…
      • Improving the prompts that control these agents is an optimization problem, but in applied IR settings it often looks less like blind search and more like debug…
      • Engineers need to know which behavior failed, which nearby behavior still worked, what distinguishes the two, and whether a prompt edit improves held-out qualit…

  • How Can AI Find My Model? A Model-Finding Experimental Study Considering Data Formats, Embeddings, and Retrieval Strategies

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30846v1 公告类型：新。
      • 摘要：发现可重用的仿真模型仍然是建模与仿真 (M&S) 领域的一项基本挑战。
      • 当许多模型共存时，识别那些符合给定建模意图的模型仍然很困难。
      • 人工智能 (AI) 的最新进展，特别是基于检索的方法，为在此语义层上的操作提供了一条有前途的途径。
    • EN 要点:
      • arXiv:2606.30846v1 Announce Type: new
      • Abstract: Discovering simulation models for reuse remains a fundamental challenge in Modeling and Simulation (M&S)
      • When many models coexist, identifying those that align with a given modeling intent remains difficult
      • Recent advances in Artificial Intelligence (AI), particularly retrieval-based approaches, offer a promising pathway to operate at this semantic layer

  • BayesBench: Evaluating LLM Belief Trajectories Under Multi-Turn Evidence Accumulation

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30850v1 公告类型：新。 -摘要：大型语言模型（LLM）通常部署在多轮对话中，其中每个轮次都提供新的证据，可以减少环境的认知不确定性。
      • 理性行动需要推断控制它的未观察到的数量，并随着证据的积累更新关于它们的信念。
      • 然而，大多数评估仅以单轮格式对模型的最终轮答案进行评分，而未检查此过程。
    • EN 要点:
      • arXiv:2606.30850v1 Announce Type: new
      • Abstract: Large language models (LLMs) are typically deployed in multi-turn conversations, where each turn provides new evidence that should reduce epistemic un…
      • Acting rationally then requires inferring the unobserved quantities that govern it and updating beliefs about them as evidence accumulates
      • Yet most evaluations only score the model’s final-turn answer in a single-turn format, leaving this process unexamined

  • When Does Learning to Stop Help? A Cost-Aware Study of Early Exits in Reasoning Models

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30852v1 公告类型：新。
      • 摘要：推理模型在实例之间花费不同数量的有用计算，但仍不清楚学习的停止规则何时优于简单的置信度或收敛阈值。
      • 我们使用 LearnStop 研究这个问题，LearnStop 是一个用于推理语言模型的无隐藏状态检查点停止器。
      • 在固定预算检查点，LearnStop 从当前推理前缀探测简短答案，并根据答案置信度、熵、前缀投票份额、答案稳定性和回溯标记密度等在线特征预测前缀正确性。
    • EN 要点:
      • arXiv:2606.30852v1 Announce Type: new
      • Abstract: Reasoning models spend different amounts of useful computation across instances, but it remains unclear when a learned stopping rule improves over sim…
      • We study this question with LearnStop, a hidden-state-free checkpoint stopper for reasoning language models
      • At fixed budget checkpoints, LearnStop probes a short answer from the current reasoning prefix and predicts prefix correctness from online features such as answ…

  • Beyond expert users: agents should help users construct preferences, not just elicit them

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30863v1 公告类型：新。 -摘要：代理通常假设一位专家用户——一个对自己想要的东西有明确偏好的人——并且在任务未明确指定时默认澄清问题。
      • 我们认为这个假设是不现实的。
      • 用户通常缺乏领域知识来拥有完全指定的偏好；如果被问到他们对某些功能的偏好，如果代理不帮助用户学习形成对该功能的偏好所需的一些领域知识（例如，通过示例或解释），用户可能无法回答。
    • EN 要点:
      • arXiv:2606.30863v1 Announce Type: new
      • Abstract: Agents typically assume an expert user – one with well-formed preferences about what they want – and default to clarifying questions whenever the ta…
      • We argue this assumption is unrealistic
      • Users often lack the domain knowledge to have completely specified preferences; if asked about their preference on some feature, the user may be unable to answe…

  • Investigating Multi-Agent Deliberation in Law

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30906v1 公告类型：新。
      • 摘要：人工智能越来越多地应用于法律领域，并有可能增加诉诸司法的机会。
      • 一项正在获得关注的特殊运动是代理人工智能，其中基于大型语言模型 (LLM) 的人工智能代理可以采取自主行动。
      • 特别是，法律领域的多主体方法在很大程度上仍未得到探索。
    • EN 要点:
      • arXiv:2606.30906v1 Announce Type: new
      • Abstract: Artificial Intelligence is increasingly applied to the field of law, and has the potential to increase access to justice
      • One particular movement that is gaining traction is that of agentic AI, wherein AI agents, based on Large Language Models (LLMs) can take autonomous actions
      • In particular, multi-agent approaches in the legal domain remain largely unexplored

  • Why Solve It Twice? Hierarchical Accumulation of Skills for Transfer-Efficient ML Engineering

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30911v1 公告类型：新。
      • 摘要：机器学习工程代理浪费计算资源来重新发现已知技术，因为每场比赛都是冷启动。
      • 我们提出了 HASTE，一个分层的多代理系统，它将交叉竞​​争知识组织成三个范围层（全局、领域和特定于竞争的），每个层都耦合到一个匹配的代理级别。
      • 协调者协调领域专家，并通过法学硕士驱动的抽象促进各层之间的学习。
    • EN 要点:
      • arXiv:2606.30911v1 Announce Type: new
      • Abstract: ML engineering agents waste compute rediscovering known techniques because every competition is a cold start
      • We present HASTE, a hierarchical multi-agent system that organizes cross-competition knowledge into three scope tiers (global, domain, and competition-specific)…
      • An orchestrator coordinates domain specialists and promotes learning between tiers via LLM-driven abstraction

  • RoPoLL: Robust Panel of LLM Judges

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30931v1 公告类型：新。
      • 摘要：LLM 评审团是由 LLM 评估者 (PoLL) 组成的报告共识分数的小组，已成为单一法官 LLM 评估的实用替代方案，但其统计行为仍然知之甚少。
      • 我们在 Huber 污染模型下正式确定了法学硕士评审团，并表明 PoLL 会产生无限的偏见。
      • 在任何积极的污染下，无论陪审团规模如何，只要单个法官以有偏见的、法学硕士典型的方式失败（模式崩溃、阿谀奉承、拒绝安全）。
    • EN 要点:
      • arXiv:2606.30931v1 Announce Type: new
      • Abstract: The LLM Jury, a Panel of LLM Evaluators (PoLL) reporting consensus scores, has become a practical alternative to single-judge LLM evaluation, yet its…
      • We formalize the LLM Jury under the Huber contamination model and show that PoLL incurs unbounded bias
      • under any positive contamination, regardless of jury size, whenever a single judge fails in a biased, LLM-typical way (mode collapse, sycophancy, safety refusal…

  • AgRefactor: Self-Evolving Agentic Workflow for HLS Compatibility and Performance

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30949v1 公告类型：新。
      • 摘要：高级综合 (HLS) 提供了从概念到芯片的快速路径，但由于语言支持的限制性以及软件和硬件编程实践之间的差距，将现实世界的软件转换为可综合的 HLS 代码仍然具有挑战性。
      • 现有的自动化和基于 LLM 的重构方法部分解决了这个问题，但它们通常缺乏灵活性，难以扩展，并且会产生高昂的计算成本。
      • 我们引入了 AgRefactor，这是一种基于 LLM 的多代理工作流程，用于将软件重构为 HLS 兼容程序。
    • EN 要点:
      • arXiv:2606.30949v1 Announce Type: new
      • Abstract: High-Level Synthesis (HLS) provides a fast path from concepts to silicon, but converting real-world software into synthesizable HLS code remains chall…
      • Existing automated and LLM-based refactoring approaches partially address this problem, yet they often lack flexibility, struggle to scale, and incur high compu…
      • We introduce AgRefactor, an LLM-based multi-agent workflow for refactoring software into HLS-compatible programs

ArXiv cs.CL (B_intro+search) 链接到标题

  • A Single Rewrite Suffices: Empirical Lessons from Production Skill Description Optimization

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30775v1 公告类型：新。
      • 摘要：企业人工智能代理通过将查询与自然语言技能描述进行匹配，将用户查询路由到专业技能。
      • 当两个技能共享重叠描述时，路由 LLM 会错误路由查询，我们将这种故障称为技能冲突。
      • 随着代理扩展到数十种技能，手动调整描述以保持路由准确性成为一个重要的工程瓶颈。
    • EN 要点:
      • arXiv:2606.30775v1 Announce Type: new
      • Abstract: Enterprise AI agents route user queries to specialized skills by matching queries against natural language skill descriptions
      • When two skills share overlapping descriptions, the routing LLM misroutes queries, a failure we term skill collision
      • As agents scale to dozens of skills, manually tuning descriptions to maintain routing accuracy becomes a significant engineering bottleneck

  • Indi-RomCoM: Code-Mixed Benchmark for Evaluating LLMs on Romanized Indic-English Instructions

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30790v1 公告类型：新。
      • 摘要：罗马化代码混合 (RCM)，即双语者将当地语言与罗马文字中的英语流畅地融合在一起，已成为多语言社区中交流的主要形式。
      • 虽然大型语言模型 (LLM) 在单语言和本机脚本基准测试中表现强劲，但它们遵循指令和推理基于 RCM 的内容的能力在很大程度上仍未得到探索。
      • 为此，我们引入了 Indi-RomCoM 基准，以促进对印度语罗马化代码混合指令的系统评估。
    • EN 要点:
      • arXiv:2606.30790v1 Announce Type: new
      • Abstract: Romanized Code Mixing (RCM), where bilingual speakers fluidly blend local languages with English in Roman script, has emerged as the dominant form of…
      • While Large Language Models (LLMs) perform strongly on monolingual and native-script benchmarks, their ability to follow instructions and reason over RCM-based…
      • To this end, we introduce the Indi-RomCoM benchmark for facilitating systematic evaluation on Indic Romanized Code-Mixed instructions

  • Using AI Agents to Automate Black-Box Audits of Personalization Algorithms at Scale

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30801v1 公告类型：新。
      • 摘要：个性化算法决定用户在在线平台上遇到的内容。
      • 审核这些系统很困难，因为独立审核员只能黑盒访问算法，而个性化取决于用户的属性、行为和不断发展的交互历史。
      • 现有的审计方法面临着权衡：对真实用户的研究捕捉了真实的行为，但成本高昂且难以控制，而傀儡审计更容易扩展，但通常依赖于限制现实性的脚本行为。
    • EN 要点:
      • arXiv:2606.30801v1 Announce Type: new
      • Abstract: Personalization algorithms determine what content users encounter on online platforms
      • Auditing these systems is difficult because independent auditors have only black-box access to the algorithms, while personalization depends on users’ attribute…
      • Existing auditing methods face a tradeoff: studies with real users capture realistic behavior but are costly and hard to control, whereas sock-puppet audits sca…

  • When Calibration Rankings Reverse: Accuracy-Controlled Evaluation for Fair Comparison of LLMs

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30814v1 公告类型：新。
      • 摘要：校准评估模型置信度是否与其经验准确性相符。
      • 现有研究经常使用预期校准误差和 Brier 分数等全局校准指标来比较不同大型语言模型的校准。
      • 我们首先从理论上和经验上表明，这种比较会因模型准确性的差异而混淆。
    • EN 要点:
      • arXiv:2606.30814v1 Announce Type: new
      • Abstract: Calibration evaluates whether a model confidence aligns with its empirical accuracy
      • Existing studies often compare the calibration of different large language models using global calibration metrics such as Expected Calibration Error and Brier…
      • We begin by showing, both theoretically and empirically, that such comparisons are confounded by differences in model accuracy

  • When transformers learn “impossible” languages, what do they learn?

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30815v1 公告类型：新。
      • 摘要：最近的研究表明，Transformer 语言模型表现出对人类语言的偏见，而不是被认为人类无法获得的非自然（“不可能”）语言。
      • 然而，该文献很大程度上基于样本效率和测试集困惑度的差异，而不是基于对语言能力的直接评估，而语言能力可以合理地解释人类语言中的非证明。
      • 我们评估两个理论上驱动的连接假设：由于语法敏感性或生成产生的缺陷而产生的不可能性。
    • EN 要点:
      • arXiv:2606.30815v1 Announce Type: new
      • Abstract: Recent work suggests that transformer language models show a bias towards human languages over unnatural (“impossible”) languages argued to be unacqui…
      • However, this literature has largely based these claims on differences in sample efficiency and test-set perplexity, rather than on direct evaluations of the li…
      • We evaluate two theoretically motivated linking hypotheses: impossibility arising from deficiencies in grammatical sensitivity or generative production

  • Test-Time Verification for Text-to-SQL via Outcome Reward Models

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30851v1 公告类型：新。
      • 摘要：提高大型语言模型 (LLM) 在推理时的可靠性是文本到 SQL 等结构化推理任务的核心挑战。
      • 常见的测试时推理策略，包括 Best-of-N 采样和多数投票，依赖于启发式信号，例如执行成功或输出频率，这些信号在候选输出之间提供有限的语义区分。
      • 在这项工作中，我们研究结果奖励模型 (ORM) 作为学习语义评分函数，用于文本到 SQL 中的测试时验证。
    • EN 要点:
      • arXiv:2606.30851v1 Announce Type: new
      • Abstract: Improving the reliability of large language models (LLMs) at inference time is a central challenge in structured reasoning tasks such as Text-to-SQL
      • Common test-time inference strategies, including Best-of-N sampling and Majority Voting, rely on heuristic signals such as execution success or output frequency…
      • In this work, we study Outcome Reward Models (ORMs) as learned semantic scoring functions for test-time verification in Text-to-SQL

  • Multilingual Polarization Detection Using Transformer-Based Models with Class Weighting and Threshold Tuning

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30857v1 公告类型：新。
      • 摘要：本文描述了我们向 SemEval-2026 任务 9 提交的关于检测多语言、多文化和多事件在线极化的内容。
      • 我们解决所有三个子任务：二元偏振检测、偏振类型分类以及英语和斯瓦希里语的表现识别。
      • 我们的方法利用基于变压器的模型（英语为 RoBERTa-base，斯瓦希里语为 AfroXLMR-base）和类加权损失函数来解决严重的标签不平衡问题，并利用每个标签的阈值调整来优化多标签分类。
    • EN 要点:
      • arXiv:2606.30857v1 Announce Type: new
      • Abstract: This paper describes our submission to SemEval-2026 Task 9 on detecting multilingual, multicultural, and multievent online polarization
      • We address all three subtasks: binary polarization detection, polarization type classification, and manifestation identification for English and Swahili
      • Our approach leverages transformer-based models (RoBERTa-base for English, AfroXLMR-base for Swahili) with class-weighted loss functions to address severe label…

  • Training Therapeutic Judges and Multi-Agent Systems for Human-Aligned Mental Health Support

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30887v1 公告类型：新。
      • 摘要：大型语言模型显示出心理健康支持的前景，但只有当评估作为可操作的控制信号而不是被动的指标时，治疗质量才能提高。
      • 我们引入了一个框架，将治疗反应的生成制定为由多维、人性化评估驱动的决策细化问题。
      • 在第一阶段，我们引入了 TheraJudge，这是一种开源治疗评估器，通过对人类注释数据进行基于偏好的优化进行训练，以在 7 个心理维度上产生可靠的判断。
    • EN 要点:
      • arXiv:2606.30887v1 Announce Type: new
      • Abstract: Large language models show promise for mental health support, yet therapeutic quality improves only when evaluation functions as an actionable control…
      • We introduce a framework that formulates therapeutic response generation as a decision-refinement problem driven by multi-dimensional, human-aligned evaluation
      • In Stage I, we introduce TheraJudge, an open-source therapeutic evaluator trained via preference-based optimization on human-annotated data to produce reliable…

  • Beyond Clean Text: Evaluating Encoder and Decoder Robustness for Bangla Event Detection in Noisy Text

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30914v1 公告类型：新。
      • 摘要：事件检测 (ED) 系统通常在干净、精心设计的文本上进行评估，而其对现实世界噪声的鲁棒性基本上未被探索，特别是对于孟加拉等资源匮乏的语言。
      • 我们引入了广义的孟加拉新闻事件本体和基准，其中包含 40 个事件子类型的 9,979 个带注释的句子，涵盖干净的新闻文本、现实世界的自动语音识别 (ASR) 转录本和拼写错误的文本。
      • 我们系统地评估微调的仅编码器模型（BanglaBERT 和 XLM-R）以及仅指令调整的解码器大语言模型（Llama 3 和 Gemma 3）。
    • EN 要点:
      • arXiv:2606.30914v1 Announce Type: new
      • Abstract: Event detection (ED) systems are typically evaluated on clean, curated text, leaving their robustness to real-world noise largely unexplored, particul…
      • We introduce a generalized Bangla news event ontology and a benchmark comprising 9,979 annotated sentences across 40 event subtypes, spanning clean news text, r…
      • We systematically evaluate fine-tuned encoder-only models (BanglaBERT and XLM-R) alongside instruction-tuned decoder-only large language models (Llama 3 and Gem…

  • Bridging Scientific Heritage: An Arabic–Russian Parallel Corpus and LLM Benchmark for Sustainable Knowledge Transfer

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30943v1 公告类型：新。
      • 摘要：俄语和阿拉伯语是科学交流的主要语言之一。
      • 语言障碍阻碍了这些社区之间研究成果的交流，从而影响了国际合作和可持续发展相关研究的进展。
      • 我们提出了阿拉伯语-俄语科学翻译的基准。
    • EN 要点:
      • arXiv:2606.30943v1 Announce Type: new
      • Abstract: Russian and Arabic are among the major languages of scientific communication
      • Language barriers impede the exchange of research results between these communities, which affects international collaboration and the progress of sustainabilit…
      • We present a benchmark for Arabic–Russian scientific translation

ArXiv cs.LG (B_intro+search) 链接到标题

  • Joint discovery of governing partial differential equations from multi-source datasets by competitive optimization

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30699v1 公告类型：新。
      • 摘要：直接从观测数据发现控制方程是迈向可解释的科学机器学习的关键一步。
      • 当前的数据驱动方法通常在单个数据集上运行，在面对有限的观察时本质上限制了它们的性能。
      • 在实践中，同一物理系统通常可使用多个数据集，仅通过不同的初始条件或边界配置来区分。
    • EN 要点:
      • arXiv:2606.30699v1 Announce Type: new
      • Abstract: Discovering governing equations directly from observational data is a key step towards interpretable scientific machine learning
      • Current data-driven approaches typically operate on a single dataset, inherently limiting their performance when faced with restricted observations
      • In practice, multiple datasets are often available for the same physical system, distinguished only by distinct initial conditions or boundary configurations

  • Accelerometry-Derived Digital Biomarkers for Cardiometabolic Risk: A Population-Representative Tabular Benchmark with Uncertainty Quantification

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30702v1 公告类型：新。
      • 摘要：结构化表格数据在临床医学中占主导地位，但现有基准无法反映复杂调查抽样、人口过抽样和亚组公平性等现实世界的特性。
      • 我们介绍 NHANES 加速测量心脏代谢基准，源自 NHANES 2003-2006，包括 1,381 名成年人，进行髋部佩戴加速测量、禁食实验室生物标志物、饮食摄入量和人体测量数据。
      • 我们评估了三种表格学习方法（岭回归、XGBoost 和基础模型 TabPFN v2），以根据活动表型和生活方式协变量预测糖化血红蛋白 (HbA1c)、空腹甘油三酯和 C 反应蛋白 (CRP)。
    • EN 要点:
      • arXiv:2606.30702v1 Announce Type: new
      • Abstract: Structured tabular data dominates clinical medicine, yet existing benchmarks fail to reflect real-world properties like complex survey sampling, demog…
      • We introduce the NHANES Accelerometry Cardiometabolic Benchmark, derived from NHANES 2003-2006, comprising 1,381 adults with hip-worn accelerometry, fasting lab…
      • We evaluate three tabular learning methods – ridge regression, XGBoost, and the foundation model TabPFN v2 – to predict glycated haemoglobin (HbA1c), fasting…

  • From Search to Synthesis: Training LLMs as Zero-Shot Workflow Generators

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30704v1 公告类型：新。
      • 摘要：大型语言模型 (LLM) 在广泛的任务中表现出色，但其特定于实例的解决方案通常缺乏可靠部署所需的结构一致性。
      • 在任务级别对重复算法模式进行编码的工作流提供了一个原则框架，提供了跨实例变化的稳健性、可解释的调试跟踪以及跨问题实例的可重用性。
      • 然而，手动设计此类工作流程需要大量的专业知识和精力，限制了其更广泛的应用。
    • EN 要点:
      • arXiv:2606.30704v1 Announce Type: new
      • Abstract: Large language models (LLMs) excel across a wide range of tasks, yet their instance-specific solutions often lack the structural consistency needed fo…
      • Workflows that encode recurring algorithmic patterns at the task level provide a principled framework, offering robustness across instance variations, interpret…
      • However, manually designing such workflows requires significant expertise and effort, limiting their broader application

  • Why Do Few-Step Text Latents Fail When Image Latents Work? Non-Commitment at Sharp Categorical Readouts

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30705v1 公告类型：新。 -摘要：确定性的少步生成在连续图像潜伏上成功，但在连续文本潜伏上崩溃为不连贯的文本，我们表明原因是几何性的，而不是训练或缩放缺陷：平滑的、规则性有限的确定性映射无法在清晰的分类读出之前解决离散分支选择，因此少步失败是由解码器清晰度决定的，而不是传输精度。
      • 在真实文本自动编码器的重叠机制中，我们证明（定理 3）后验均值终端步骤以决策边界周围 $O(s(t))$ 管中潜在质量的速率翻转标记。
      • 在已发布的检查点上测量的两项诊断，DABI（读出清晰度）和 CCI（分类承诺）表明，四个独立构建的连续文本解码器将边界对齐的扰动放大，远远超出了标准匹配的各向同性扰动（DABI 从 $5\times10^{2}$ 到 $>10^{5}$），而图像解码器的 DABI $\approx 1$。
    • EN 要点:
      • arXiv:2606.30705v1 Announce Type: new
      • Abstract: Deterministic few-step generation succeeds on continuous image latents but collapses to incoherent text on continuous text latents, and we show the ca…
      • In the overlapping regime of real text autoencoders, we prove (Theorem 3) that the posterior-mean terminal step flips tokens at the rate of the latent mass in a…
      • Two diagnostics, DABI (readout sharpness) and CCI (categorical commitment), measured on published checkpoints show that four independently built continuous-text…

  • Hierarchical Global Attention (HGA)

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30709v1 公告类型：新。
      • 摘要：分层全局注意力（HGA）是预训练的长上下文变压器中密集因果注意力的直接替代品。
      • HGA 保留原始检查点参数：预训练的 $W_Q$、$W_K$、$W_V$ 和 $W_O$ 投影保持不变，不引入校准参数，不需要重新训练。
      • 应用于单个 RTX~5090 (32GB) 上的 Qwen3-30B-A3B-Instruct-2507-FP8，修补后的模型在 64K 令牌上下文中开箱即用，其中令牌级 K/V 存储在此硬件上不可行。
    • EN 要点:
      • arXiv:2606.30709v1 Announce Type: new
      • Abstract: Hierarchical Global Attention (HGA) is a drop-in replacement for dense causal attention in pretrained long-context transformers
      • HGA preserves the original checkpoint parameters: the pretrained $W_Q$, $W_K$, $W_V$, and $W_O$ projections remain unchanged, no calibration parameters are intr…
      • Applied to Qwen3-30B-A3B-Instruct-2507-FP8 on a single RTX~5090 (32GB), the patched model runs out of the box at a 64K-token context, where token-level K/V stor…

  • ReactionAtlas: Ab origine exploration of chemical reaction networks with machine learning

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30778v1 公告类型：新。
      • 摘要：绘制化学反应网络、最小值和过渡态（TS）图以及连接它们的基本反应，是化学的自然语言，从催化到燃烧再到生命起源。
      • 为给定的化学反应构建这样的反应网络是不切实际的：它需要找到并表征数以万计的 TS，而密度泛函理论 (DFT) 等传统方法通常速度慢得令人望而却步，并且需要反应物和产物作为输入。
      • 我们引入了ReactionAtlas，它从少量种子分子构建了一个反应网络$\textit{ab origine}$，并且没有手工制定的规则。
    • EN 要点:
      • arXiv:2606.30778v1 Announce Type: new
      • Abstract: Mapping a chemical reaction network, the graph of minima and transition states (TS) and the elementary reactions connecting them, is the natural langu…
      • Constructing such a reaction network for a given chemistry has been impractical: it requires finding and characterizing tens of thousands of TS, a task for whic…
      • We introduce ReactionAtlas, which builds a reaction network $\textit{ab origine}$ from a handful of seed molecules and without hand-crafted rules

  • Revocable Learned State via Process Sidecars

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30788v1 公告类型：新。
      • 摘要：语言模型通常分阶段进行调整：公共技能阶段、私有记忆阶段以及后来的安全阶段，该阶段学习拒绝与记住的实体相关的输出。
      • 在安全阶段之后撤销内存与减去内存更新不是同一个问题：后面的安全优化器已经传输了内存方向。
      • 我们引入了进程边车，一个二系数编辑族 $\hat{\theta}(\lambda,\gamma)=\theta_{\mathrm{AMS}}-\lambda\Delta_{\mathrm{M}}-\gamma\hat{R}{\mathrm{S}\leftarrow\mathrm{M}}$，其中$\hat{R}{\mathrm{S}\leftarrow\mathrm{M}}=\hat{J}{\mathrm{S},\varepsilon}(\Delta{\mathrm{M}})-\Delta_{\mathrm{M}}$，其中$\hat{J}_{\mathrm{S},\varepsilon}$是通过已实现的未来 AdamW 的中心割线安全培训过程。
    • EN 要点:
      • arXiv:2606.30788v1 Announce Type: new
      • Abstract: Language models are often adapted in stages: a public skill phase, a private memory phase, and a later safety phase that learns to refuse outputs tied…
      • Revoking the memory after the safety phase is not the same problem as subtracting the memory update: the later safety optimizer has transported the memory direc…
      • We introduce process sidecars, a two-coefficient edit family $\hat{\theta}(\lambda,\gamma)=\theta_{\mathrm{AMS}}-\lambda\Delta_{\mathrm{M}}-\gamma\hat{R}_{\math…

  • Predictable GRPO: A Closed-Form Model of Training Dynamics

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30789v1 公告类型：新。
      • 摘要：组相对策略优化（GRPO）已成为提高大型语言模型推理能力的标准工具，但其训练动态仍然是凭经验描述的：奖励轨迹符合低参数函数形式，其常数不具有机械意义，超参数选择仍然是反复试验的问题。
      • 我们开发了这些动力学的第一原理降阶模型。
      • 减少会产生三个后果。
    • EN 要点:
      • arXiv:2606.30789v1 Announce Type: new
      • Abstract: Group Relative Policy Optimization (GRPO) has become a standard tool for improving the reasoning ability of large language models, yet its training dy…
      • We develop a first-principles reduced-order model of these dynamics
      • The reduction has three consequences

  • Gradient Smoothing: Coupling Layer-wise Updates for Improved Optimization

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30813v1 公告类型：新。
      • 摘要：具有重复架构块的深度神经网络（例如 Transformer）通常会表现出训练过程中出现的跨层结构化关系。
      • 受此观察的启发，我们引入了 \emph{深度方向梯度增强}，这是一种通用的优化范例，其中应用于每一层的更新是通过沿深度维度转换逐块优化器更新的集合来获得的。
      • 在此框架内，我们研究\emph{梯度平滑}，一系列深度平滑方法，并使用简单的局部\emph{窗口平滑}算子实例化它。
    • EN 要点:
      • arXiv:2606.30813v1 Announce Type: new
      • Abstract: Deep neural networks with repeated architectural blocks, such as transformers, often exhibit structured relationships across layers that emerge during…
      • Motivated by this observation, we introduce \emph{Depth-wise Gradient Augmentation}, a general optimization paradigm in which the update applied to each layer i…
      • Within this framework, we study \emph{Gradient Smoothing}, a family of depth-wise smoothing methods, and instantiate it with a simple local \emph{Window Smoothi…

  • Mind the Residual Gap: Probabilistic Downscaling under Real-World Bias

    • 发布时间:2026-07-01 12:00 北京时间
    • 摘要:- arXiv:2606.30821v1 公告类型：新。
      • 摘要：概率降尺度是在给定粗输入的情况下对高分辨率场的条件分布进行建模的任务，是大气科学、气候建模和其他多尺度物理系统的核心挑战。
      • 广泛使用的范例将问题分解为确定性均值预测器，然后是随机残差生成器。
      • 虽然在理想化环境中有效，但这种平均残差方法经常在现实应用中产生有偏差和分散不足的集合。
    • EN 要点:
      • arXiv:2606.30821v1 Announce Type: new
      • Abstract: Probabilistic downscaling is the task of modeling the conditional distribution of high-resolution fields given coarse inputs, and is a central challen…
      • A widely used paradigm decomposes the problem into a deterministic mean predictor followed by a stochastic residual generator
      • While effective in idealized settings, this mean–residual approach frequently produces biased and under-dispersive ensembles in real-world applications