Horizon 每日速递 - 2026-07-02

从 130 条内容中筛选出 15 条重要资讯。

1. 可治理的代理式软件工程研究 ⭐️ 8.0/10
2. 开放世界工具使用智能体暴露静态训练局限 ⭐️ 8.0/10
3. 异步 RLHF 中陈旧数据的缩放律 ⭐️ 8.0/10
4. LLM 自动生成反应分类规则 ⭐️ 8.0/10
5. 用于心脏毒性预测的 EchoRisk 基准 ⭐️ 8.0/10
6. 复杂手稿的无训练阅读顺序推断 ⭐️ 8.0/10
7. LOCOS 识别非字面检索头 ⭐️ 8.0/10
8. SWE-Doctor 用运行时诊断改进 LLM 修复缺陷 ⭐️ 8.0/10
9. Aionoscope 诊断时间序列模型中的隐藏状态 ⭐️ 8.0/10
10. 面向分布偏移的人机协同元学习 ⭐️ 8.0/10
11. Cloudflare 开放变现网关候补名单 ⭐️ 8.0/10
12. Cloudflare 收紧 AI 爬虫规则 ⭐️ 8.0/10
13. Meta 计划推出 AI 云业务 ⭐️ 8.0/10
14. 软件正在告别 GUI 思维 ⭐️ 8.0/10
15. HBM 让存储变成战略资产 ⭐️ 8.0/10

可治理的代理式软件工程研究 ⭐️ 8.0/10

这项 arXiv 案例研究记录了一段为期 12 周的第一人称开发过程：一名资深软件工程师使用前沿 AI 编码代理构建了一个文档无障碍修复系统。作者分析了 88 条同期田野笔记，以及规模很大的工程产物，包括 420 KLOC 的生产代码和 1.16 MLOC 的测试、lint、文档与代理工具。 这项研究回应了 AI 辅助开发中的一个现实问题：如何让高速度生成的代码仍然保持可检查、可修正和可维护。其面向治理的模型，可能会影响团队在大规模使用编码代理时如何设计评审、工具和反馈回路。 作者提出了一个“治理转换”的中层理论，认为反复出现的失败类别只有在代理式工作中才会显现，并随后被转化为持久的治理机制。作者强调，这不同于从已知义务出发的治理模型，并表示该模型可以为软件工程研究与实践提出可检验的预测。

arxiv · James C. Davis, Paschal C. Amusuo, Tanmay Singla, Berk Çakar, Kirsten A. Davis · 7月1日 15:44

背景: 代理式软件工程指的是使用能够对文件进行推理、运行代码并使用工具的 AI 编码代理，而不只是给出代码片段建议。在这种背景下，核心问题已经不只是低成本生成代码，而是如何管理架构与证据，让代码在长期内仍然值得信任。这里的“治理”指的是在自动化增强时，仍能保持开发过程可检查、可维护的实践与控制机制。

标签: #agentic software engineering, #AI coding agents, #software engineering research, #governance, #case study

开放世界工具使用智能体暴露静态训练局限 ⭐️ 8.0/10

这篇 arXiv 论文形式化提出了 OpenAgent，即面向开放世界条件的工具使用智能体设定，其中查询、动作、观测和领域分布都可能发生变化。论文还构建了一个受控沙盒，并设计了感知、交互、推理和内化四层扰动层级，同时提出了用于提升鲁棒性的扰动增强微调方法。 这项工作直指 LLM 智能体的一个核心弱点：在静态基准上表现优秀，并不意味着在工具、任务和环境不断变化的真实部署中同样可靠。它因此与所有需要训练后仍能稳定工作的智能体系统开发者都密切相关，尤其适用于动态生产环境。 论文指出，无论是监督微调还是强化学习训练的智能体，在开放环境扰动下都会出现不同程度的性能下降，而该沙盒旨在分离并诊断不同失效模式。作者还表示代码将发布在 LAMDA-NeSy/OpenAgent 仓库中。

arxiv · Song-Lin Lv, Weiming Wu, Rui Zhu, Zi-Jian Cheng, Lan-Zhe Guo · 7月1日 15:40

背景: LLM 智能体是指不仅能生成文本，还能选择并调用工具的语言模型系统。当前大多数评测都是静态的，也就是说在测试期间工具集、用户查询和环境基本保持不变。开放世界泛化关注的是：当这些条件在推理时发生变化，智能体是否仍然能够正常工作。

标签: #LLM agents, #tool use, #robustness, #generalization, #benchmarking

异步 RLHF 中陈旧数据的缩放律 ⭐️ 8.0/10

这篇论文分析了 RLHF 中的异步 GRPO，并在代理目标中显式引入行为策略，以研究陈旧回放对学习的影响。论文推导出每一步代理梯度偏差的量级为 O(S * eta)，并给出了将回放滞后 S、学习率 eta 与训练稳定性联系起来的崩溃时间缩放律。 这有助于解释为什么高吞吐的 RLHF 系统有时比预期更能容忍陈旧回放，这对扩展大语言模型训练流水线很重要。该结果也为在回放生成与优化解耦时如何选择学习率提供了更清晰的稳定性规则。 在局部有界性、分布光滑性和行为策略光滑性的假设下，作者证明陈旧性会引入与最大滞后 S 和学习率 eta 都成正比的梯度偏差。论文还指出了两种稳定性机制：一种由累积的学习器漂移 T * eta 主导，另一种则在陈旧回放约束生效时直接取决于 S * eta。

arxiv · Jingwei Song, Haofeng Xu, Jie Xiao, Chengke Bao, Jingwei Shi, Pengbin Feng, Weixun Wang, Yuhang Han, Chuan Wu, Linfeng Zhang, Bill Shi · 7月1日 15:40

背景: GRPO 是 Group Relative Policy Optimization，它是一种用于 RLHF 的强化学习方法，借助反馈来改进模型行为。异步 RLHF 系统将回放生成与学习器更新解耦，以便更快训练模型，但这也会让用于更新的数据变得陈旧。在这种情况下，“陈旧回放”指的是学习器优化的是由旧策略而不是当前策略生成的轨迹。

标签: #RLHF, #asynchronous training, #reinforcement learning, #optimization theory, #large language models

LLM 自动生成反应分类规则 ⭐️ 8.0/10

这篇 arXiv 论文提出了一个全自动的多智能体 LLM 流水线，能够对 665,901 条美国专利反应进行分类并生成可验证的规则。它在没有人工整理的情况下，将一个标准反应分类体系从 68 类扩展到 14,073 类。 这很重要，因为合成规划系统依赖可解释的反应规则，而手工编写规则无法应对化学领域的长尾问题。能够按需扩展分类体系的方法，可能提升路线规划能力、跟上新化学的发展，并减少对固定的专有规则集的依赖。 该系统在一个验证循环中生成每条规则，并将其与反应语料库进行测试，目标是让输出具有确定性和可解释性，而不只是生成式结果。论文还称，借助轻量级指纹分类器，它能对未见过的反应实现 97.7% 的分类，并且在更细粒度地解析化学反应的同时，达到领先专有分类器的水平。

arxiv · Daniel Armstrong, Maarten Dobbelaere, Valentas Olikauskas, Helena Avila, Octavian Susanu, Jérôme Waser, Philippe Schwaller · 7月1日 15:24

背景: 计算机辅助合成规划会通过应用编码好的反应规则，把目标分子拆解成更简单的前体。在这个场景中，反应分类有助于为每一种转化分配稳定的标签，从而让软件能够一致地搜索和比较路线。化学领域具有长尾特征，许多有用的反应类型只会低频出现，因此固定的规则库很难长期维护。

标签: #LLM agents, #chemoinformatics, #reaction classification, #synthesis planning, #scientific automation

用于心脏毒性预测的 EchoRisk 基准 ⭐️ 8.0/10

EchoRisk 发布了首个经过整理的多中心纵向超声心动图数据集，并明确标注了心脏毒性标签，同时作为 EchoRisk-MICCAI 2026 挑战赛的主要技术参考。该数据集来自欧盟资助的 CARDIOCARE 前瞻性研究，包含 422 名患者、2,159 段超声视频和 1,123 次临床检查，采集地点覆盖五个欧洲中心。 这为心脏肿瘤学社区提供了一个共同基准，用于比较 AI 方法在临床重要问题上的表现：识别和预测乳腺癌患者的治疗相关心脏毒性。由于发布内容包含基线数据、评估协议和挑战任务，它有望推动研究从模型开发走向更实用的风险分层工具。 该数据集定义了三个任务：从 cine 视频估计左心室射血分数、从纵向影像分类左心室功能障碍，以及仅根据治疗前基线超声预测心脏毒性。作者使用在 Kinetics-400 上预训练的 R(2+1)D 视频骨干加 LSTM 聚合给出了基线结果，但仅凭单个基线视频进行早期心脏毒性预测仍然很困难。

arxiv · Grigorios Kalliatakis, Georgia Karanasiou, Georgios Manikis, Manolis Tsiknakis, Dimitrios Fotiadis, Dorothea Tsekoura, Kalliopi Keramida, Vasileios Bouratzis, Lampros Lakkas, Katerina Naka, Andri Papakonstantinou, Anastasia Constantinidou, Kostas Marias · 7月1日 15:05

背景: 治疗相关心脏毒性是癌症治疗中的已知并发症，而超声心动图是用于随时间监测心脏功能的标准影像工具。在心脏肿瘤学中，临床医生通常会跟踪左心室射血分数和其他功能指标，以便在严重损伤出现前尽早发现下降。纵向数据集尤其有价值，因为它们记录的是多个时间点的变化，而不是单次检查的静态截面。

标签: #medical imaging, #cardio-oncology, #echocardiography, #dataset release, #benchmark challenge

复杂手稿的无训练阅读顺序推断 ⭐️ 8.0/10

这篇论文提出了一种无需训练的、基于图的方法，用于推断复杂历史文档版面的阅读顺序。它把 OCR 文本行建模为有向候选转移图中的节点，使用轻量级语言模型信号给边打分，并通过带度约束的有向路径覆盖推断和最大后悔选择规则恢复最终顺序。 阅读顺序是 OCR 和文档 AI 处理手稿时的一个主要瓶颈，因为文本往往以多个交错的流同时排布。这样一种无需训练、可直接使用的方法，可能更容易部署到历史文献集合中，也可能比依赖特定版面训练的系统更能适应非常规布局。 作者还测试了第三种句向量信号，但它并没有提升阅读顺序性能。论文同时验证了方法在水平和垂直翻转下的镜像不变性：该方法的变化小于 1 个百分点，而经典 XY-cut 和 LayoutReader-T 的变化更大。

arxiv · Iddo Hakim, Sharva Gogawale, Omer Ventura, Gal Grudka, Daria Vasyutinsky-Shapira, Berat Kurar-Barakat, Nachum Dershowitz · 7月1日 14:52

背景: 历史手稿常常把正文和周围评注混排在一起，因此正确的阅读顺序并不总是等于视觉上的从左到右或从上到下顺序。Glossa Ordinaria 是一个经典例子：中心正文周围环绕着评论，而且评论会以不规则区域包围正文，这会让简单的版面启发式方法失效。路径覆盖是一个图问题，它要求用若干条有向路径覆盖所有节点，在这里可用于把局部的后继预测转换成全局阅读序列。

标签: #document AI, #OCR, #reading order inference, #graph algorithms, #historical manuscripts

LOCOS 识别非字面检索头 ⭐️ 8.0/10

这篇论文提出了 Logit-Contribution Scoring（LOCOS），这是一种“写入感知”的方法，用来识别长上下文语言模型中支持非字面检索的注意力头。论文报告称，LOCOS 在 Qwen3、Gemma-3 和 OLMo-3.1 上都能找出相关检索头，并且移除得分最高的头会显著削弱 NoLiMa 及相关长上下文基准上的表现。 这很重要，因为现有的注意力头检测器可能会漏掉那些不直接复制被关注 token、但对生成正确答案至关重要的头。更准确地定位检索头，有助于提升机制可解释性，并帮助研究者理解长上下文模型如何综合信息，而不只是做字面匹配。 LOCOS 通过将每个头的 OV-circuit 输出投影到答案 token 的 unembedding 方向上来打分，并在一次前向传播中对 needle 和 off-needle 来源位置进行对比。论文称，LOCOS 选出的头具有检索专一性：对 NoLiMa 做均值消融会使 ROUGE-L 崩塌，但参数记忆和算术推理基本保持基线水平，随机头对照的影响也要小得多。

arxiv · Aryo Pradipta Gema, Beatrice Alex, Pasquale Minervini · 7月1日 14:41

背景: 在 Transformer 模型中，注意力头通常被认为有相对独立的 QK 和 OV 两部分：QK 电路决定关注什么，OV 电路则决定被关注的信息如何影响输出。机制可解释性试图反向分析这些内部组件，从而解释模型行为。在长上下文检索任务中，模型往往需要按语义利用相关片段，而不是逐字复制原文，因此只检测“字面复制”的方法并不完整。

标签: #LLM interpretability, #long-context reasoning, #attention heads, #mechanistic interpretability, #information retrieval

SWE-Doctor 用运行时诊断改进 LLM 修复缺陷 ⭐️ 8.0/10

这篇论文提出了 SWE-Doctor，这是一种利用多维度缺陷复现测试产生的运行时诊断来指导补丁生成的软件问题解决代理。论文在 SWE-bench Verified 和 SWE-bench Pro 上的 Python 缺陷修复任务中进行了评估，并在五种 LLM 后端上分别取得了 75.7%和 59.4%的平均解决率。 这项研究表明，缺陷复现测试在转化为诊断信号后，比直接作为补丁生成目标更有价值。对于基于 LLM 的软件工程代理来说，这很重要，因为它有助于减少“部分修复”，并提升真实问题的解决效果。 作者发现，fail-to-fail 类型的 BRT 可能误导代理，而 fail-to-pass 类型的 BRT 往往只能提供部分指导，可能只覆盖已报告问题的一种表现。SWE-Doctor 的做法是为问题中不同的行为需求生成多维度 BRT，执行并调试这些测试以形成基于运行时的诊断记录，再将这些诊断与 BRT 生成阶段推断出的定位信息结合起来指导补丁生成。

arxiv · Yaoqi Guo, Yang Liu, Jie M. Zhang, Yun Ma, Yiling Lou, Zhenpeng Chen · 7月1日 14:27

背景: 缺陷复现测试是为了稳定重现已报告的软件缺陷而设计的测试用例或步骤，方便开发者观察和调试问题。在基于 LLM 的软件工程代理中，这类测试常用于验证补丁是否有效，但这篇论文关注的是它们能否进一步帮助生成补丁本身。SWE-bench Verified 和 SWE-bench Pro 是用于评估 Python 缺陷修复自动化问题解决能力的基准套件。

标签: #LLM agents, #software engineering, #bug reproduction tests, #program repair, #runtime diagnosis

Aionoscope 诊断时间序列模型中的隐藏状态 ⭐️ 8.0/10

这篇论文提出了 Aionoscope，这是一种基于生成器的诊断工具，用来测试冻结的时间序列表示是否保留了细粒度的潜在过程状态。作者用统一的 pooled linear-probe 协议评估了 37 个模型加适配器系统，发现许多模型对粗粒度信号成分的恢复明显好于对时间、相位、幅度、频率或状态变量等稠密动态的恢复。 这很重要，因为即使预测或分类分数很高，模型内部表示也可能隐藏了实践中真正想查看的状态信息。Aionoscope 为研究者提供了一种更直接的方式来调试表示质量，这对时间序列表示学习、模型可解释性以及下游监控流程都很有价值。 Aionoscope 将过程生成与观测渲染分离，并使用带种子的合成流，在混合复杂度和干扰变化下提供精确的类别标签与稠密标签。文中报告的稠密探针最高结果为 0.689 的平均 masked R2，而稠密特征 oracle 可达 0.999，说明模型可暴露的信息与理论可恢复信息之间存在很大差距。

arxiv · Alexander Chemeris, Ming Jin, Randall Balestriero · 7月1日 13:54

背景: 时间序列模型通常通过是否能预测未来数值或对序列分类来评估，但这些任务并不一定能揭示学到的表示里到底包含什么信息。在表示学习中，linear probe 是在冻结特征上训练的简单分类器或回归器，用来衡量在不改变基础模型的情况下哪些信息是可访问的。搜索结果也表明，这项工作处在更广泛的时间序列表示研究脉络中，关注潜在状态结构和表示质量。

标签: #time-series modeling, #representation learning, #latent-state diagnostics, #machine learning, #arXiv

面向分布偏移的人机协同元学习 ⭐️ 8.0/10

这篇论文提出了带有人类反馈的生成式元学习（GMHF）框架，利用专家反馈引导基于条件神经 ODE（cNODE）的数字孪生来合成与目标域相似的数据。论文还给出了理论上的泛化分析，并在非线性 Duffing 振子以及一个非动力学概率模型上进行了实验验证。 这项工作瞄准了机器学习中的核心难题：当测试数据与训练分布不一致，尤其是目标域数据缺失时，模型往往会失效。如果这种方法有效，它可能提升科学机器学习等场景中的鲁棒性，因为这些场景里往往有专家知识，但真实目标数据却很稀缺。 GMHF 将基于 cNODE 的生成式数字孪生与一个强化学习代理结合起来，并利用人类指导迭代调整潜在物理参数。论文认为，让生成数据与专家对目标物理的认知对齐可以降低泛化风险；实验结果显示，专家反馈越可靠，部署损失越低，生成数据与目标数据之间的散度也越小。

arxiv · Midhun Parakkal Unni, Samuel Kaski · 7月1日 13:29

背景: 分布偏移是指部署时看到的数据与训练时的数据不一致，这也是机器学习系统性能下降的常见原因。元学习试图让模型学会在不同任务或环境中快速适应，而生成建模则可以在真实数据不足时合成数据。条件神经 ODE 用于建模连续时间动力学，并且可以充当数字孪生，也就是对底层过程的学习型仿真。

标签: #meta-learning, #human-in-the-loop, #generative modeling, #domain adaptation, #scientific machine learning

Cloudflare 开放变现网关候补名单 ⭐️ 8.0/10

Cloudflare 已开放其 Monetization Gateway 的候补名单，这项产品将允许客户对托管在 Cloudflare 后面的网页、数据集、API 或 MCP 工具收费。付款将通过 x402 开放协议以稳定币结算，因此用户无需自行搭建支付系统。 这可能会让出版商、API 提供方和 AI 平台构建者更容易按使用量为数字资源收费变现。它也契合了向代理驱动和机器对机器支付转变的大趋势，因为自动化客户端可能需要按需为内容或工具付费。 Cloudflare 表示，该网关支持对网页、数据集、API 和 MCP 工具收费，并通过 x402 以稳定币完成结算。这次公告只是开放候补名单，并非正式全面上线，因此该产品目前还没有广泛可用。

rss · Cloudflare Blog · 7月1日 13:00

背景: x402 是一种开放的互联网支付标准，旨在让客户端和服务器之间能够原生完成支付。它使用熟悉的 HTTP 402 Payment Required 流程来说明客户端在访问受保护资源前需要支付什么。Cloudflare 之前围绕内容变现以及机器人管理的工作，也解释了它为什么现在要为网络资源增加一层支付能力。

标签: #Cloudflare, #monetization, #x402, #stablecoins, #APIs

Cloudflare 收紧 AI 爬虫规则 ⭐️ 8.0/10

Cloudflare 表示，AI 公司必须在 9 月 15 日之前将用于搜索的爬虫与用于 AI 训练和代理的爬虫区分开来。此后，许多使用 Cloudflare 的出版商网站可能会默认屏蔽训练和代理机器人，但仍允许搜索爬虫访问。 这将更多话语权转向出版商，因为 AI 公司若想在未经明确许可或付费的情况下获取训练内容，会变得更困难。它可能影响主要 AI 系统获取网页数据的方式，并推动整个互联网范围内的授权和爬虫治理进一步发展。 Cloudflare 的文档称，从 2026 年 9 月 15 日起，新域名将采用更新后的默认规则：被归类为 Training 或 Agent 的机器人会在展示广告的页面上被阻止，而 Search 仍然允许。Cloudflare 还提供 AI Crawl Control 工具，用于监控爬虫活动、跟踪对 robots.txt 的遵守情况，并按爬虫设置允许或阻止规则。

rss · TechCrunch AI · 7月1日 17:48

背景: 网络爬虫是自动访问网站页面的机器人，不同用途会对应不同类型。按照 Cloudflare 的说法，search 爬虫用于为搜索引擎建立索引，training 爬虫用于收集数据训练 AI 模型，而 agent 爬虫则代表用户或系统执行操作。由于 Cloudflare 位于许多出版商网站的前端，它的默认策略变化可能会在大范围内影响访问。

标签: #Cloudflare, #AI training, #web crawlers, #content licensing, #publisher policy

Meta 计划推出 AI 云业务 ⭐️ 8.0/10

据报道，Meta 正在开发一项云基础设施业务，向外部客户出售 AI 算力和模型访问权限。如果该业务推出，它将直接与 Amazon Web Services、Google Cloud 和 Microsoft Azure 竞争。 这标志着 Meta 的一个重大转向：它可能把多余的 AI 基础设施变成新的收入来源，而不再只用于内部。随着大规模模型训练和推理需求持续增长，这也可能加剧云计算和 AI 基础设施领域的竞争。 报道称，Meta 不仅会出售原始 AI 算力，还会提供模型访问，这说明它更像是一个面向 AI 基础设施和模型服务的平台，而不是消费级产品。需要注意的是，这里描述的还是规划，而不是已经上线的服务，因此具体范围、定价和时间表仍不明确。

rss · TechCrunch AI · 7月1日 13:43

背景: 云基础设施业务通过互联网按需提供计算资源，例如 GPU、存储和网络。像 AWS、Google Cloud 和 Azure 这样的超大规模云服务商之所以主导这个市场，是因为它们运营着规模庞大、全球分布的数据中心网络。出售机器学习模型访问通常被称为 MLaaS，也就是用户通过云平台直接使用托管模型，而不是自己部署和运行全部系统。

标签: #Meta, #AI infrastructure, #cloud computing, #hyperscalers, #machine learning models

软件正在告别 GUI 思维 ⭐️ 8.0/10

播客节目《十字路口》与真格基金《此话当真》串台，回顾了 AI Agent 过去 500 天的发展，并提出软件应从以 GUI 为中心转向 Headless、CLI 和 Skill 驱动的工作流。节目将这一变化视为更广泛的 Agentic Economy 正在形成。 如果 AI Agent 越来越多地端到端完成任务，那么主要面向人类设计的界面，可能会让位于更适合机器读取的服务和工作流。这可能重塑产品设计、开发者工具，以及 AI 生态中的创业机会。 文章认为，Headless 软件只保留数据库和工具核心，让 Agent 可以直接调用，而不必通过图形界面操作。它还指出 CLI 正在重新变得重要，因为基于文本的命令天然适合大语言模型；同时，Skill 被视为可复用、可产品化的工作流单元，能够沉淀品味和上下文。

rss · BestBlogs.dev · 7月1日 17:30

背景: GUI 指图形用户界面，也就是人们通过屏幕、按钮和菜单来操作软件的方式。Headless 软件则相反，它可以在没有 GUI 的情况下运行和被控制，通常通过 API 或其他非可视化接口完成交互。CLI 即命令行界面，是一种基于文本的交互方式，AI 系统往往比人类更能直接使用它。这里的 Agentic Economy 指的是一种未来形态：AI Agent 之间会更独立地交换价值并完成工作，人类直接参与会更少。

标签: #AI agents, #developer tools, #software architecture, #CLI, #agentic economy

HBM 让存储变成战略资产 ⭐️ 8.0/10

文章称，三星、SK 海力士和美光合计投入超过 1.5 万亿美元扩产，而 HBM 需求正是这场变化的核心。文章认为，存储行业正在从传统的周期性大宗商品，转向更具战略属性、产能受限的市场。 如果这一判断成立，内存采购方在价格和供给上的议价能力会下降，尤其是依赖 HBM 的 AI 系统。这将影响云厂商、AI 芯片公司和终端设备厂商，也会进一步强化内存作为 AI 基础设施关键投入品的地位。 文章强调，HBM 是一种用于高性能计算的高带宽内存技术，其定制化特征通常需要长期锁定产能。文章还指出，晶圆厂建设周期长、设备交付慢、熟练工人和基础设施不足等现实约束，可能让未来两三年的供应依然紧张。

rss · BestBlogs.dev · 7月1日 13:30

背景: HBM 是 High Bandwidth Memory 的缩写，属于一种先进的 DRAM，目标是比传统内存提供更高的数据传输速度。它在 AI 和其他高性能计算场景中特别重要，因为这些系统需要非常高的数据吞吐量。像 DRAM 这样的存储芯片过去通常被视为周期性大宗商品，价格和利润会随着供需失衡大幅波动。

标签: #HBM, #memory semiconductors, #AI infrastructure, #storage industry, #market analysis