今天的这篇的主题是：Infinite Worlds with Versatile Interactions

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

Summary

我们推出了 LingBot-World 2.0（亦称 LingBot-World-Infinity），这是 LingBot-World 的高级迭代版本，带来四大显著升级：

1. 无界交互视角/时长：得益于精心设计的因果预训练范式（causal pretraining paradigm），我们的模型在保持输出质量一致性的同时，实现了无限延展的交互时长。

2. 实时流化响应：通过从基座模型蒸馏出一个实时变体，系统保证了极快的响应速度，足以驱动 60 fps 的 720p 视频流。

3. 丰富交互元素：与上一版本相比，本次更新引入了高度多样化的交互元素，涵盖更广泛的动作形态（如攻击、拉弓射箭、施法和射击），以及种类更丰富的文本驱动事件。

4. Agentic Harness 编排框架：我们开创性地将 Agent 治理框架（agentic harness）引入世界建模（world modeling）领域——其中，驾驶员 Agent（pilot agent）负责规划并执行角色行为，而导演 Agent（director agent）则负责随着场景的推进合成全新的环境元素。

此外，为了便于多人共享体验，我们开发了一个支持多名玩家同时沉浸于这一生动世界模拟器中的交互接口。我们还将主力的 14B 模型与轻量化的 1.3B 模型进行搭配，后者支持在单张 GPU 上进行轻松部署。

原文链接：https://arxiv.org/abs/2607.07534

今天的这篇的主题是：Failure as a Process: An Anatomy of CLI Coding Agent Trajectories

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

Summary

大语言模型（LLM）编码 Agent（Coding agents）正越来越多地被部署于终端环境中自动执行软件工程任务，这使得它们的可靠性成为一个日益受关注的问题。现有的实证研究虽然探讨了编码 Agent 发生失败的原因，但大多将“失败”视为一种最终结果而非一个时序过程，对于失败如何萌生、演化并最终变得不可逆转所提供的见解非常有限。

本文展示了首个关于命令行（CLI）编码 Agent 失败轨迹的大规模实证研究，提出了一个面向过程的框架（process-oriented framework），通过执行轨迹中的萌生（onset）、演化（evolution）和恢复（recovery）三个阶段来分析失败。

我们首先收集了由 7 个前沿模型在 3 个编码 Agent 支架（OpenHands、MiniSWE 和 Terminus2）上于 Terminal-Bench 产生的 3,843 条执行轨迹；随后对其进行细致筛选，提取出 1,794 条完整且有效的轨迹用于人工标注（包含超过 63,000 个执行步骤）；并从中推导出了涵盖失败发生率、根本原因、恢复机制以及跨系统一致性等方面的 14 项研究发现。

我们的研究结果表明：

• 编码 Agent 的失败主要是由认知错误（epistemic errors）驱动的；

• 失败通常在最初的几个执行步骤内就已开始萌生；

• 失败往往处于隐蔽状态，直到再也无法恢复时才暴露出来。

这表明，要提升编码 Agent 的可靠性，需要更早地进行验证与干预，而不是仅仅依赖最终结果的评估。

原文链接：https://arxiv.org/abs/2607.09510

今天的这篇的主题是：Tracing Agentic Failure from the Flow of Success

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

Summary

针对基于 LLM 的 Agentic 系统（智能体系统）进行失效归因（failure attribution）——即确定失效轨迹中哪些步骤导致了任务失败——对于调试和改进此类系统至关重要。现有的方法要么依赖基于 Prompt 提示的管线（计算成本高昂），要么需要在带有步骤级错误标注的失效轨迹上进行后训练（这类标注收集成本高且难以扩展）。

我们认为，一个实用的失效归因模型应当是轻量化的，且无需对失效数据进行步骤级监督即可训练。为此，我们探讨了无监督失效归因：即仅在成功轨迹上进行训练，并在推理阶段给定一条失效轨迹时识别出错误步骤。

我们提出了 OAT，该方法将这一问题转化为了基于神经网络控制微分方程（neural controlled differential equations）的单类学习（one-class learning），在隐空间（latent space）中对成功轨迹的动态模式进行建模。在推理阶段，失效轨迹中的每一个步骤都会根据其偏离在成功轨迹上学到的动态模式的程度被赋予一个异常得分，进而用其构建出错误步骤集合。

实验表明，仅在 100 条成功轨迹上进行训练，OAT 即可实现比基于 Prompt 提示的基线快 200 至 5000 倍 的推理速度；同时，在域内（in-domain）和分布外（out-of-distribution）数据集上均持续超越基线，F1 分数分别提升了 +20% 和 +7%。这表明 OAT 为诊断 Agentic 系统失效提供了一个极具前景且高效的方向。

原文链接：https://arxiv.org/abs/2607.12747

今天的这篇的主题是：Rethinking the Evaluation of Harness Evolution for Agents

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

Summary

我们重新审视了对 LLM Agent 自动化 Harness 演进（automatic harness evolution）的评估。现有的 Harness 演进方法利用单元测试用例来搜索 Harness 配置，随后在同一个公开基准（benchmark）上报告最终性能。这一评估协议引发了两个根本性的隐忧：

首先，Harness 演进本身就是一种迭代搜索过程，它利用任务反馈反复评估和修正候选 Harness。因此，与智能体测试时扩缩容（agentic test-time scaling）类似，它应当在匹配的反馈和推理预算下与简单的任务级搜索基线进行对比，以确定其收益到底是源于 Harness 设计的改进，还是仅仅源于额外的搜索过程。

其次，由于搜索过程与最终评估使用的是同一个基准，所报告的收益面临针对该特定任务集过拟合的风险。

为了解决这些隐忧，我们在可比的反馈和推理预算下，对 Harness 演进与简单的测试时扩缩容以及探索基线（discovery baselines）进行了广泛的对比评估；此外，我们还在未见过的留出任务（held-out tasks）上对演进后的 Harness 进行了评估，以检验发现的改进是否具有泛化性。

在 Terminal-Bench 2.1 上基于 GPT-5.4 和 Claude Opus 4.6 进行的实验表明，自动化 Harness 演进并未持续超越简单的测试时扩缩容方法，且表现出有限的泛化能力。我们的结果对自动化 Harness 演进的有效性提出了重要质疑，并强调了为自动化 Harness 设计建立更公平的评估协议和基准的必要性。

原文链接：https://arxiv.org/abs/2607.12227

今天的这篇的主题是：When is Routing Meaningful? Diversity and Robustness in Language Model Societies

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

Summary

多模型系统（multi-model systems）的路由策略（routing policies）几乎完全是依据任务准确率（task accuracy）和推理成本（inference cost）来进行评估的。我们认为，有两个与性能正交的属性决定了路由本身是否有意义：首先，参与者社会（society of actors）在行为上必须存在差异性（differentiated）——如果所有参与者的响应完全相同，那么路由就是毫无意义的空洞行为；其次，路由策略必须具备稳定性（stable）——查询（query）的表面形式变体应当被分配给同一个参与者。即使高任务准确率也可能同时违反这两个属性，因为路由器可以在冗余的参与者社会中运行，或者对查询进行不一致的分配，从而无论性能如何都无法实现专业化分工。

我们将层级社会熵（Hierarchic Social Entropy, HSE）引入并适配至语言模型社会，并提出一种基于扰动的鲁棒性指标来诊断这些失效模式。在将该方法应用于 EmbedLLM 和 RouterBench 时，我们发现 HSE 表现出强烈的边际收益递减特征，这表明仅需精选少于 10 个 Agent 的子集，即可覆盖庞大候选池中绝大部分可用的多样性——这为参与者设计提供了一种实用的核心集启发式方法（coreset heuristic）。

我们进一步发现，基于 K 近邻（KNN）的路由器虽能从专家型社会中获取较高的准确率，但在面对扰动时其鲁棒性会发生崩溃；相比之下，基于 Prompt 提示的路由（prompted routing）在所有扰动类型下均能保持稳定——这表明准确率与有效意义（meaningfulness）之间可能会发生剧烈的背离。

原文链接：https://arxiv.org/abs/2607.09197

今天的这篇的主题是：Metacognition in LLMs: Foundations, Progress, and Opportunities

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

Summary

元认知（Metacognition）是智能的奠基性组成部分，对有效学习、问题解决、决策制定、沟通交流等能力至关重要。近年来，它已日益被公认为构建具备高能力与透明度的 AI 系统的基石。然而，尽管大语言模型（LLM）在各类现实任务中取得了显著进展，但它们在何时、以何种方式、以及在多大程度上能够展现或被赋予有效的元认知能力，以及这些能力如何被适用来推进 AI 系统的基础能力、可靠性和智能水平，目前尚不明确。

本文通过首次全面综述 LLM 元认知领域的现状，填补了这一空白。我们对这一新兴领域的全景进行了分析与分类，并总结了最新的技术进展，包括：测量与评估 LLM 元认知能力的方法和基准、在 LLM 中诱导、提升和应用元认知的技术，以及持续研究中的发现与启示。我们还讨论了应用场景、开放性问题与挑战，以及未来极具前景的研究方向。我们的目标是为该主题提供详细且前沿的综述，并激发有意义的研究与讨论。

原文链接：https://arxiv.org/abs/2607.11881

今天的这篇的主题是：Self-Improvements in Modern Agentic Systems: A Survey

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

Summary

自我改进型自主 Agent（Self-improving autonomous agents）正在从研究原型走向部署系统。其核心目标是实现可控演进（controllable evolution）或自适应——即在极少甚至完全没有人类介入的情况下，从经验中不断进化。

本综述将现代自我改进型 Agent 构想为一种自适应系统，该系统能够将经验转化为累积的能力提升。我们提出了一个系统级框架，将现代 Agent 表征为一种配置（configuration）：该配置将基础模型与由 Prompt、记忆、工具和控制逻辑构成的运行支架（operational scaffold）相耦合。

在该框架下，自我改进被形式化定义为一个自感应更新算子（self-induced update operator），该算子负责获取并向模型参数或支架组件提交更新。我们按照更新目标与驱动变更的信号对现有工作进行了梳理归类，随后综述了相关应用并讨论了评估方法，最后以开放性问题与未来方向进行了总结。

原文链接：https://arxiv.org/abs/2607.13104

今天的这篇的主题是：Coding-agents can replicate scientific machine learning papers

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

Summary

科学机器学习（Scientific machine learning）论文通常会提出具体的计算主张，例如：相对均方误差小于 5%，或 95% 的预测置信区间覆盖了测试数据。即便仅依靠论文材料，也可以提示编码 Agent 去复现这些主张；然而，提示词本身并不能可靠地记录复现进度，也无法检验生成的证据是否真正支持论文的主张。

为此，我们引入了 Paper-replication：一种将选定的论文主张转化为带有记录证据的“目标”（target）的工作流，并将其实现为一种编码 Agent 技能（coding-agent skill）。该工作流使 Agent 能够记录这些目标、重构论文的方法、运行计算实验、将生成的输出与出处以及论文的主张对比进行关联、记录匹配证据在复现报告中的具体出处，并在完成前通过校验检查。

我们在四篇科学机器学习论文上进行了 12 次独立运行，以此对 Paper-replication 进行了评估。所有 12 个工作区均通过了完成门槛（completion gate），且所有 158 个记录的目标均在报告中得到了匹配覆盖。即便在这些已完成的工作区状态下，多次重复运行在以下方面仍存在差异：论文被拆分为目标的方式、与源论文的数值忠实度、复现耗时、在最终证据被接受前所替换的中间执行次数，以及用于接受证据的规则。Paper-replication 使任务的最终完成依赖于工作区内的证据和校验检查，而非 Agent 本身发送的最终消息。

原文链接：https://arxiv.org/abs/2607.02134

今天的这篇的主题是：ReContext: Recursive Evidence Replay as LLM Harness for Long-Context Reasoning

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

Summary

长上下文的理解与推理已成为在实际应用中部署大语言模型（LLM）的核心需求。尽管近期的 LLM 支持越来越长的上下文窗口，但它们往往无法有效利用输入中已存在的关键证据，这揭示了“上下文接入”与“上下文有效利用”之间存在差距。

在本研究中，我们提出了 RECONTEXT（Recursive Evidence Replay as LLM Harness for Long-Context Reasoning，基于递归证据重放的长上下文推理 LLM 框架），这是一种用于提升长上下文推理能力的无须训练的推理阶段方法（training-free inference method）。RECONTEXT 利用模型内部的相关性信号构建一个以查询为条件的证据池，并在最终生成前对其进行重放，同时完整保留原始上下文。这一递归选择过程在不进行训练、不使用外部记忆库也不剪枝上下文的前提下，实现了证据组织与答案生成的剥离。

此外，我们还基于联想记忆（associative memory）提供了理论分析：将上下文表征为记忆存储，将问题表征为检索线索，将注意力表征为线索-痕迹联结（cue-trace association），并将重放表征为痕迹再激活（trace reactivation）。在上下文长度为 128K 的 8 个长上下文数据集上的实验表明，RECONTEXT 在 Qwen3-4B、Qwen3-8B 和 Llama3-8B 模型上一致提升了证据利用率，并在所有三个基座模型上均取得了最佳平均排名。

原文链接：https://arxiv.org/abs/2607.02509

今天的这篇的主题是：The Harness Effect: How Orchestration Design Sets the Token Economics of Enterprise Agentic AI

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

Summary

当今 Agentic AI（智能体 AI）的开发建立在“Token 极值化”（token maxing）之上：即通过消耗 Token 来换取能力——更长推理链（reasoning traces）、更多轮次、更宽泛的工具载荷（tool payloads）、更庞大的重放上下文（replayed contexts）——导致每个任务消耗的 Token 数增长速度超过了任务本身的价值。单 Token 价格的下降掩盖了这一模式；总支出依然在上升。

我们认为，应对 Token 极值化的关键杠杆是 Harness（调度/治理框架）：即负责组装上下文、暴露工具、排列轮次顺序、委派工作并承载企业级可观测性与治理的编排层（orchestration layer）。我们通过一项控制变量实验将其独立评估：在 22 个锁定的评估任务、6 个基础模型（Claude Sonnet 4.6、Gemini 3.1、Gemini Flash 3.5、Qwen 3.6、GLM 5.1、Palmyra X6）下，仅改变编排层——对比冻结的传统生产循环与 Writer Agent Harness。

在保持模型不变的情况下，该 Harness 使单任务混合成本降低了 41%（$0.21 -> $0.12），中位数耗时（wall-clock）缩短了 44%（48s -> 27s），单任务 Token 消耗减少了 38%（14.2k -> 8.8k），同时任务完成质量保持相当（0.78 -> 0.81，在该样本量下具方向性指示意义）。效率提升具有模型无关性（model-invariant）——每个模型的成本均有所降低（33%–61%）；而质量提升则依赖于模型本身的能力：模型的质量增益与其基线能力呈近乎完美的正相关（r=0.99, n=6），我们将这一现象称为 Harness 杠杆效应（harness leverage）。每美元质量比提升了 82%；每百万 Token 完成的任务数从 54.9 增至 92.0。

在该工作负载下，编排层对单任务成本的影响甚至超过了整个模型菜单的全部价差。我们在编排层对 Token 经济学进行了形式化（包括 Prompt 缓存下的有效输入价格），详细阐述了该效应背后的六大机制家族（从缓存形态规范到失效支出治理），在相同维度上对比了六种广泛使用的 Agent 系统，并论证了 Harness 是唯一能够将其效率成倍叠加到企业运行的每一个模型（无论是现有还是未来模型）之上的组件。

原文链接：https://arxiv.org/abs/2607.06906