AI Papers, July 12

今天的候选里，昨天已经覆盖过一批 agent benchmark / long-context / world-model 工作，所以今天不重复收录。整体来看没有“范式级”突破，但有几篇很贴近 Fred 关注的可靠性、轨迹诊断与机制理解问题。

必读

Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning

工作简介： 这篇提出 SciReasoner，一个面向蛋白质、小分子和无机晶体的多模态科学基础模型。核心做法是把坐标、拓扑、周期连接等结构信息离散成统一的 structure-aware tokens，让模型在结构 token 上进行可检查的证据级推理；论文报告其在 86 个 benchmark 中有 67 个达到 SOTA，并在蛋白 GO 预测、逆合成、材料表征上展示跨学科效果。

简评： 亮点不是单一任务涨点，而是尝试把“结构”变成推理的原生底层表示，这对科学 AI、知识表示和可解释推理都有价值。需要谨慎的是，专家评估的 reasoning traces 是否真正反映模型内部因果机制仍未完全证明，但这类结构化证据基座很值得跟踪。

Who Broke the System? Failure Localization in LLM-Based Multi-Agent Systems

工作简介： 论文研究 LLM 多智能体系统失败后如何定位“哪个 agent、哪一步”最早把轨迹带入不可逆错误。AgentLocate 用 LLM judge 加多视角独立验证，再用 confidence-aware 聚合，并用反馈轻量微调 judge，在两个多智能体 benchmark 上优于已有 failure localization 方法。

简评： 这是 Fred 关心的 trajectory-level analysis 与 agent reliability 的核心问题：不是只看最终失败，而是追责到轨迹中的 decisive step。局限在于仍高度依赖 LLM judge，因果归因是否稳定、是否能迁移到真实生产轨迹，还需要更强的可验证评测。

值得关注

Towards Mechanistically Understanding Why Memorized Knowledge Fails to Generalize in Large Language Model Finetuning

工作简介： 这篇把微调中“模型已经记住新事实、但推理时用不上”的现象形式化为 Knowing–Using Gap。作者提出 self-patching 干预技术，监测新知识在模型内部的空间渗透，并发现失败样例中可能存在“知识表征已在内部出现，但没有被路由到有效计算层”的 knowledge-circuit misalignment。

简评： 这比普通知识编辑/继续训练论文更有机制诊断味道：它把“记忆”和“可用推理”拆开，接近 Fred 关注的可解释可靠性问题。实验规模和模型族覆盖仍需扩大，但“知道—使用差距”这个分析框架值得记住。

Narration-of-Thought: Inference-Time Scaffolding for Defeasible Ethical Reasoning in Large Language Models

工作简介： 作者提出 Narration-of-Thought，一个不训练、不加参数的 inference-time scaffold，把道德困境推理显式分成 protagonist、stakeholders、two-step consequences、uncertainty、commitment 五段。它在 DailyDilemmas 上显著降低 stakeholder collapse 和 uncertainty suppression，并通过 matched-budget verbose-CoT 与 ablation 排除“只是更长输出”的解释。

简评： 这篇有趣之处在于把不确定性和利益相关者显式纳入推理协议，和可靠 agent 的 abstention / calibrated reasoning 很相关。它不是通用 reasoning 突破，但作为“何时承诺、何时保留不确定性”的轻量控制手段，值得借鉴。

Video-Oasis: Rethinking Evaluation of Video Understanding

工作简介： 这篇不是再造一个视频理解榜单，而是审计现有 video benchmark 的有效性。作者发现约 55% 样本在没有视觉输入或时间上下文时也可解；过滤 shortcut 后，当前 SOTA video-LLM 在真正 video-native 的挑战上只略高于随机猜测。代码见 GitHub。

简评： 这对多模态推理评测是一个有用提醒：很多“视频理解”分数可能来自语言先验和数据捷径。它的贡献偏诊断而非模型方法，但对判断新 video reasoning / world model 论文的真实含金量很重要。

Linear Attention Architectures: Mechanisms, Trade-offs, and Cross-Layer Routing

工作简介： 论文把 DeltaNet、Gated DeltaNet、Kimi Delta Attention、Gated DeltaNet-2 等 recurrent linear attention 架构放进统一的 recurrent-memory 记号体系，比较表达力、记忆衰减、erase/write 控制、训练吞吐和实现复杂度。实验包括 350M 模型 15B tokens 的系统 sweep，以及 DeltaNet 到 1.3B/3B 的扩展，并尝试 cross-layer routing 机制。

简评： 价值在于提供了一份相对清晰的机制与工程权衡图，而不是单点新架构宣传。结论也比较克制：例如没有给推理速度 benchmark，CLVR 只是 modest improvement；但对长上下文和高效状态空间/线性注意力路线很有参考意义。

OpenCoF: Learning to Reason Through Video Generation

工作简介： 这篇把视频生成里的 temporally connected frames 视为 Chain-of-Frame reasoning，提出 OpenCoF-17K 数据集和 Wan-CoF 模型，覆盖 11 类推理视频任务。作者还探索在视频模型中加入视觉与文本 reasoning tokens，并用性能比较和 attention analysis 分析这些 tokens 在层、denoising steps、空间和时间上的作用。

简评： 这个方向把“推理链”从文本 CoT 扩展到视觉时间序列，中长期可能和 world model / embodied planning 结合。当前证据主要来自特定 video reasoning benchmark，且是否能迁移到真实交互式 agent 还不清楚，但问题设定很有想象力。

开源发布

Vidu S1: A Real-Time Interactive Video Generation Model

Vidu S1 面向实时交互式视频生成，支持语音控制数字角色，声称在消费级 GPU 上以最高 42 FPS 生成 540p 视频，并提供在线 demo：vidu.com/vidu-stream。这更像系统与产品化发布，研究新意主要在实时服务和交互体验，对 Fred 的核心 agent/reasoning 兴趣不是最高优先级。

Infinite Worlds with Versatile Interactions

LingBot-World 2.0 / LingBot-World-Infinity 强调无界交互 horizon、720p 60fps 实时世界模拟、更多动作与事件，并引入 pilot agent / director agent 来规划角色行为和生成新环境元素。作为 interactive world model release 值得留意，但其“无限”稳定性和 agentic harness 的可验证评测仍需看后续复现。

今天不收录但扫过

CausalDS、Remember When It Matters、UniClawBench、WebSwarm、Ideas Have Genomes、Jet-Long、RoboDojo、LingBot-Video 等已在 7 月 11 日日志中发过，今天按去重规则跳过；其他候选如 DrugGen 2、UltraX、DeepTutor、WCog-VLA、MAVEN、Agentic RAG underwriting 更偏应用或增量，暂不塞进正文。