AI Papers, July 7
今天的候选里重复论文较多，筛掉已经记录过的工作后，真正值得花时间看的主线集中在三件事：LLM post-training 的目标与部署不一致、长程/医疗推理中的过程级可靠性，以及具身代理在执行中何时打断和重规划。
必读
The Mirage of Optimizing Training Policies: Monotonic Inference Policies as the Real Objective for LLM Reinforcement Learning
工作简介： 这篇论文指出 LLM RL post-training 中一个常被忽略的 training-inference mismatch：训练引擎与推理引擎即使参数同步，也可能对同一轨迹给出不一致概率，从而让“训练策略变好”不等价于“部署推理策略变好”。作者提出 Monotonic Inference Policy Improvement（MIPI）目标，以及 MIPU 两阶段框架：先构造 sampler-referenced 候选更新，再用 inference-side gap proxy 选择是否接受同步候选更新。
简评： 这篇对 Fred 关心的 reasoning RL 和可靠性很相关，因为它把优化对象从抽象的 training policy 拉回到真正上线使用的 inference policy；如果结论成立，它解释了不少 RL 训练不稳定和性能崩塌现象。限制是实验主要在高 mismatch 设置下验证，proxy 是否足够稳健、对主流 serving stack 的普适性还需要更多复现。
Teaching LLMs to Recommend and Defer in Underrepresented Epilepsy Care
工作简介： 论文研究资源受限地区的儿童癫痫纵向诊疗支持，目标是从非结构化门诊记录中预测抗癫痫药物方案，并在不确定时转交专家。作者提出 MANANA，一个非参数 prompt-learning 框架，把小规模本地病例中的处方错误转化为可审计 prompt memory，并用 Bayesian prompt averaging 输出处方似然和基于不确定性的 deferral signal。
简评： 这篇的价值不只是医疗应用，而是把“推荐 + 拒答/转诊”作为一个可靠性问题来建模，尤其贴近 Fred 关注的 stopping criteria、概率推理和部署风险控制。需要注意它依赖特定临床场景和本地处方分布，泛化到其他医疗系统时可能需要重新学习 local practice。
值得关注
Logit-Contribution Scoring Identifies Non-Literal Retrieval Heads
工作简介： 论文关注长上下文模型中的“非字面检索”机制：模型并不总是复制上下文 token，而是从相关语义片段合成答案。作者提出 LOCOS，用 attention head 的 OV circuit 输出在答案 token unembedding 方向上的 logit contribution 来识别写入答案的 retrieval heads，并在 Qwen3、Gemma-3、OLMo-3.1 上做消融验证。
简评： 这是一个比较干净的 mechanistic interpretability 切入点，把“看哪里”与“写什么”区分开，对理解长上下文 RAG/agent memory 的内部机制有帮助。它仍是 head-level 的局部解释，离完整的因果机制图还有距离，但比只看 attention pattern 更有诊断意义。
Breaking Failure Cascades: Step-Aware Reinforcement Learning for Medical Multimodal Reasoning
工作简介： 论文分析医疗 VQA 中的 multimodal reasoning，发现早期推理错误会级联导致最终答案失败。作者提出 MRPO，在最终答案错误时对更早的无效推理步骤施加指数更大的过程级惩罚，从而把 RL 信号从 outcome-only 改造成 step-aware process reward。
简评： 这篇和 trajectory-level analysis、credit assignment 很契合：它不是笼统奖励最终答案，而是尝试打断“早错一路错”的失败链条。风险在于 step validity 的标注/判定本身可能引入偏差，医疗场景下尤其要谨慎评估 reward model 的可信度。
VLA-Corrector: Lightweight Detect-and-Correct Inference for Adaptive Action Horizon
工作简介： 论文针对 VLA 策略常用的 action chunk 机制：一次预测多步动作虽高效，但在接触丰富的机器人任务中会出现 open-loop 盲区。VLA-Corrector 不改 backbone 权重，而是用 Latent-space Vision Monitor 持续比较预测与实际视觉特征演化，检测偏移后截断剩余动作，并用 Online Gradient Guidance 触发纠正性重规划。
简评： 这是一种很具体的 stopping / interruption criterion：不是固定 horizon，而是让系统根据观测偏差动态决定何时停止执行旧计划。新意主要在部署层和控制闭环，理论深度有限，但对可靠具身代理很实用。
When Search Agents Should Ask: DiscoBench for Clarification-Aware Deep Search
工作简介： DiscoBench 评估 deep search agents 面对模糊、欠规格或事实错误查询时，是否会主动识别歧义、提出澄清问题，并通过多轮交互恢复正确搜索轨迹。基准包含 211 个样本、463 个歧义实例，覆盖 11 个现实领域，并从任务效用、歧义检测、交互策略和成本效率四方面评估。
简评： 这篇抓住了很多 search agent benchmark 的盲点：真实用户问题并不总是完整可执行，盲目继续搜索可能比直接猜还差。样本规模不大，但问题定义重要，尤其适合用来研究“什么时候继续行动，什么时候问问题”。
Embodied.cpp: A Portable Inference Runtime of Embodied AI Models on Heterogeneous Robots
工作简介： Embodied.cpp 是面向 VLA 和 world-action models 的 C++ 推理运行时，试图统一不同机器人和边缘设备上的部署路径。它把系统拆成 input adapters、sequence builders、backbone execution、head plugins、deployment adapters 五层，并支持多频率闭环执行、batch-1 低延迟推理和可扩展 embodied I/O。
简评： 这更偏系统工程，但如果具身模型要从 demo 走向可靠部署，runtime contract 会非常关键。论文的研究新意不如前几篇强，不过它把“模型架构—实时控制—异构硬件”之间的接口问题说得比较清楚，值得关注。
开源发布
- SciIR: A Large-scale Training Dataset and Benchmark for Scientific Image Reasoning Generation（arXiv:2606.30124）：面向科学图像生成的 82k 数据集和 SciIR-Bench，用 semiotic triad 拆分实体结构、科学过程和科学规律；对科学可视化生成和可验证评估有一定参考价值。
- Multi-Resolution Flow Matching: Training-Free Diffusion Acceleration via Staged Sampling（arXiv:2607.01642）：MrFlow 用低分辨率结构生成、像素空间超分、轻噪声重采样和高分辨率细化组合，实现 FLUX.1-dev / Qwen-Image 上训练免费的显著加速；更像实用加速技巧。
- Representation Distribution Matching for One-Step Visual Generation（arXiv:2607.02375，project）：重新审视用冻结 encoder 的表征分布匹配训练 one-step generator，强调大 batch、MMD 估计和多 encoder 评估；对一步生成质量评估有方法论价值。
今日判断
如果只读一篇，优先读 MIPI/MIPU 那篇；它讨论的是 LLM RL 训练目标本身是否对齐部署目标。第二优先是 MANANA，因为它把不确定性、局部经验记忆和 deferral 合在一个真实高风险场景里，而不是只追求 benchmark accuracy。