AI Papers, July 6
今天没有新的“必须立刻读”的基础模型发布，但有几篇很贴近 Fred 关注点：test-time scaling 的停止边界、面向人类感知的严格评测、医疗/视觉代理环境，以及从权重反推训练数据组合的审计方法。以下筛选尽量偏研究价值，跳过了若干只是常规 benchmark 或图像生成工程改进的工作。
必读
When More Sampling Hurts: The Modal Ceiling and Correlation Ceiling of Test-Time Scaling
工作简介： 这篇论文讨论 reasoning model 的 test-time scaling：多采样会提高“至少一次答对”的 coverage，但系统最终仍必须选择一个答案，因此真正瓶颈转为 selection。作者提出 modal ceiling、correlation ceiling 和 effective number of samples，用来估计采样到多少之后多数投票或 benchmark 排名已经不再受益，甚至会被高置信错误拖累。
简评： 这很契合“停止准则/可靠性”的问题意识：它把“多想一会儿是否值得”从经验调参转成可观测的边界估计。需要注意的是，摘要中的论证看起来偏现象建模与指标提炼，关键要看实验覆盖了哪些任务、模型和选择器；但问题定义本身值得认真读。
PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception
工作简介： PerceptionRubrics 构建了 1,038 张高信息密度图像和 12,000 多条 instance-specific rubrics，把多模态评测从整体语义匹配拆成 Must-Right 与 Easy-Wrong 原子检查，并用 Gated Scoring 对关键视觉事实失败施加强惩罚。作者还用 Circular Peer-Review consensus 生成 golden captions，并报告模型在密集视觉事实上的 reliability gap。
简评： 这篇的价值不只是又做一个 VLM benchmark，而是把“必须正确的事实”和“容易错的细节”显式分层，接近可靠系统需要的 fail-gated evaluation。它对 Fred 关注的 rubric、可靠性和评测校准有直接参考意义；局限是 rubric 构造成本较高，且是否能推广到开放长任务还要看实现细节。
值得关注
HealthAgentBench: A Unified Benchmark Suite of Realistic Agentic Healthcare Environments for Challenging Frontier AI Agents
链接：arXiv:2606.31179 · GitHub
工作简介： HealthAgentBench 提供 54 个医疗 agentic tasks，覆盖 7 类患者旅程相关工作流，每个任务都有独立环境，要求 agent 在少量指令下探索原始医疗数据并执行多步解决方案。作者评测 frontier agents 后发现总体成功率仍低，最强且最具成本效率的 Codex GPT-5.5 也只有约 42% success rate。
简评： 医疗场景天然要求可靠性、可追溯和多模态长流程，这个 benchmark 比单题 VQA 更接近真实部署压力。它的研究价值取决于环境是否足够可复现、ground truth 是否稳健；但作为“复杂领域 agent 评测”的代表，值得跟踪。
When LLMs Read Tables Carelessly: Measuring and Reducing Data Referencing Errors
工作简介： 论文系统研究 LLM 在表格任务中的 Data Referencing Errors：模型理解表结构却引用错、漏引用或误读具体数值。作者测试 1.7B 到 20B 模型，并训练一个 4B critic 来检测 DRE；在 inference 时用 critic filtering 与 rejection sampling，答案准确率最高提升 12.0%。
简评： 这类错误比最终准确率更贴近“推理过程是否可信”，尤其适合数据分析代理和企业表格工作流。方法本身不算激进，但把引用错误作为独立 failure mode 并用轻量 critic 修正，是实用且可迁移的可靠性切入点。
PixelEyes: Decoupling Perception and Reasoning for Pinpoint Visual Evidence Seeking
工作简介： PixelEyes 针对多轮视觉推理中“找错目标导致轨迹冗长”的问题，把 reasoner 与 perception tool 解耦：reasoner 决定看什么，referring segmentation 模型负责给出 mask 级定位，并用 semantic-region BFS 避免反复裁剪错误区域。作者还构建 PixelEyes-6K 轨迹数据和 Pinpoint-Bench，用实例级 mask/bbox 区分定位失败与推理失败。
简评： 这篇对 trajectory-level analysis 很有意义：它把视觉 agent 的失败拆成 perception 与 reasoning 两类，并试图用搜索结构约束轨迹膨胀。新意不在“用了 segmentation tool”，而在 failure taxonomy、轨迹重写和零提示视觉搜索评测；值得看实验是否真的证明了 BFS/解耦的必要性。
WARP: Weight-Space Analysis for Recovering Training Data Portfolios
工作简介： WARP 试图从已发布模型权重中恢复 fine-tuning 的训练数据 domain mixture。它通过 base 与 fine-tuned model 的 model merging 生成 pseudo-checkpoints，近似缺失训练轨迹，再从权重空间几何特征预测不同数据域比例；在 BERT 和 GPT-2 控制实验中优于 membership inference。
简评： 这是模型审计方向里比较有趣的一步：关注“全局训练组合”而不是单样本成员推断，更接近解释模型能力来源与数据透明度问题。局限也明显：目前是在较小模型和受控混合上验证，迁移到现代大模型、LoRA/continued pretraining 和复杂数据管线仍有很大不确定性。
Denser neq Better: Limits of On-Policy Self-Distillation for Continual Post-Training
链接：arXiv:2607.01763 · GitHub
工作简介： 论文重新审视 on-policy self-distillation 在 continual post-training 中是否能稳定减少遗忘。作者用 SDPO 实验发现，密集 teacher-student token supervision 可以加速域内专化，但在 OOD 泛化和连续学习中更容易造成参数/响应漂移、遗忘甚至 collapse；相比之下 GRPO 更保守。
简评： 这篇是对“自蒸馏总是有益”叙事的必要反例，和近期 agent/RL post-training 中大量使用 distillation 的趋势直接相关。它未必提出强新算法，但对训练动态、格式伪影自强化和 forgetting 的诊断值得参考。
WorldDirector: Building Controllable World Simulators with Persistent Dynamic Memory
链接：arXiv:2607.02517 · Project
工作简介： WorldDirector 是一个可控视频 world model 框架，重点解决动态对象长期离开视野后重新出现时的身份一致性。方法上它用 LLM 编排 3D trajectories 与 camera movements，再把这些轨迹作为视频生成控制信号，从而把语义运动规划和像素生成解耦。
简评： 这更偏生成式 world simulator，而不是 LLM agent 论文，但“persistent dynamic object memory”是世界模型可靠性的关键问题。摘要声称的 controllability 很强，真正价值要看物理一致性评测是否严格，以及 LLM 轨迹编排是否只是工程 glue 还是可泛化的中间表示。
开源发布
今天没有筛到足够重大的独立开源模型/框架发布。上面几篇包含可用代码或项目页的工作包括 HealthAgentBench、SDPO-CL、WorldDirector，以及部分视觉/评测 benchmark；更像研究伴随开源，而不是需要单独列为发布事件。