本周三个趋势
1. Agent World Models 进入语言空间，从「感知 + 工具调用」升级为「内部模拟 + 规划」
Qwen-AgentWorld（137↑）发布 35B-A3B 和 397B-A17B 两个规模，研究语言空间中的环境模拟。In-Context World Modeling（50↑）处理机器人系统变化，Wan-Streamer（95↑）把多段音视频管线合入单个 Transformer。三篇任务和指标不同，本期只把它们作为三种建模路线并列记录。
Qwen-AgentWorld（137↑）发布 35B-A3B 和 397B-A17B 两个规模，研究语言空间中的环境模拟。In-Context World Modeling（50↑）处理机器人系统变化，Wan-Streamer（95↑）把多段音视频管线合入单个 Transformer。三篇任务和指标不同，本期只把它们作为三种建模路线并列记录。
2. Agent 工程化：评测与训练方法双轮升级
本周一下子涌现 5 篇 Agent 工程化论文。评测侧：EnterpriseClawBench（80↑）把 852 个真实企业 workplace 会话变成可复现 task，每个 task 附 fixture / 角色分类 / 硬规则 / 语义 rubric；NatureBench（61↑）则把评测难度显著抬高，从 90 篇 Nature 系刊论文蒸馏 task，禁用 web search，问的是 Coding Agent 能不能从「复现」走到「发现」。训练方法侧：EDV（51↑）诊断了单 Agent 经验学习的「Self-Confirmation Trap」，错的但自洽的轨迹被当成正确经验，提出 Execute-Distill-Verify 框架：多个异构执行者并行跑 trajectory，第三方蒸馏者产出候选经验，再由执行组通过共识机制验证后才写入 memory；OPID（46↑）用 on-policy skill distillation 避开外部 skill memory 的失配；OT-Agent（45↑）做了 100+ ablation 公开完整的 agentic data curation pipeline。共同传递的判断：本周高票论文显示，Agent 评测、训练与系统工程正在明显升温，这条线值得持续跟踪。
本周一下子涌现 5 篇 Agent 工程化论文。评测侧：EnterpriseClawBench（80↑）把 852 个真实企业 workplace 会话变成可复现 task，每个 task 附 fixture / 角色分类 / 硬规则 / 语义 rubric；NatureBench（61↑）则把评测难度显著抬高，从 90 篇 Nature 系刊论文蒸馏 task，禁用 web search，问的是 Coding Agent 能不能从「复现」走到「发现」。训练方法侧：EDV（51↑）诊断了单 Agent 经验学习的「Self-Confirmation Trap」，错的但自洽的轨迹被当成正确经验，提出 Execute-Distill-Verify 框架：多个异构执行者并行跑 trajectory，第三方蒸馏者产出候选经验，再由执行组通过共识机制验证后才写入 memory；OPID（46↑）用 on-policy skill distillation 避开外部 skill memory 的失配；OT-Agent（45↑）做了 100+ ablation 公开完整的 agentic data curation pipeline。共同传递的判断：本周高票论文显示，Agent 评测、训练与系统工程正在明显升温，这条线值得持续跟踪。
3. Agent Memory 从「加缓存」走向「一等系统」
Agent-Native Memory System（105↑）本周第二高票，研究焦点不在「memory 能不能做」而在「memory 系统该怎么评估」：跳出端到端任务成功率（F1/BLEU）框架，把存储、检索、更新、合并、生命周期管理拆开看，关注 cost / architecture / module trade-off，把 memory 当作有内部结构的系统而不是黑盒。KaLM-Reranker-V1（47↑）从 RAG 工程侧呼应：解耦 query 和 passage 计算，encoder 用 Matryoshka 池化预编码 passage、decoder 处理 query，让 reranker 部署效率拉上来。这条线和我们刚发的 Headroom 中文使用教程 是同一脉络，本地上下文压缩、Memory 治理、RAG reranker 都从「能用就行」走向「按系统指标评估和优化」。
Agent-Native Memory System（105↑）本周第二高票，研究焦点不在「memory 能不能做」而在「memory 系统该怎么评估」：跳出端到端任务成功率（F1/BLEU）框架，把存储、检索、更新、合并、生命周期管理拆开看，关注 cost / architecture / module trade-off，把 memory 当作有内部结构的系统而不是黑盒。KaLM-Reranker-V1（47↑）从 RAG 工程侧呼应：解耦 query 和 passage 计算，encoder 用 Matryoshka 池化预编码 passage、decoder 处理 query，让 reranker 部署效率拉上来。这条线和我们刚发的 Headroom 中文使用教程 是同一脉络，本地上下文压缩、Memory 治理、RAG reranker 都从「能用就行」走向「按系统指标评估和优化」。
本周精选论文（8 篇）
1. Qwen-AgentWorld: Language World Models for General Agents
👍 137 upvotes
📚 cs.AI
📅 2026-06-23
首个能在语言空间内通过 Long-CoT 推理模拟 7 个不同领域 agentic 环境动态的基础模型
研究问题：世界模型预测环境动态、服务推理与规划，是通用 Agent 的核心认知机制，但既有研究主要在视觉/物理空间做世界建模，把世界建模能力放进语言模型骨架内还是空白。
论文做法：Qwen-AgentWorld 用 Long-CoT 推理在语言空间直接建模 7 个不同领域的 agentic 环境（基于 10M+ 环境样本训练），发布 35B-A3B / 397B-A17B 两个规模，让 Agent 在做决策前可以在内部「模拟一下」结果再行动。
论文做法：Qwen-AgentWorld 用 Long-CoT 推理在语言空间直接建模 7 个不同领域的 agentic 环境（基于 10M+ 环境样本训练），发布 35B-A3B / 397B-A17B 两个规模，让 Agent 在做决策前可以在内部「模拟一下」结果再行动。
W26 最高票论文。它测试在语言空间中模拟环境动态，并发布两个模型规模。对 Agent 训练、游戏 AI 和自动化决策的价值，需要在各自任务上比较规划质量、成本与错误率。
2. Are We Ready For An Agent-Native Memory System?
👍 105 upvotes
📚 cs.AI
📅 2026-06-23
首个系统性评估 LLM Agent 记忆系统的研究，跳出黑盒框架
研究问题：LLM Agent memory 已从简单 RAG 演化成包含存储、检索、更新、合并、动态生命周期管理的完整数据管理系统，但现有评测仍把它当黑盒，只看端到端任务成功率（F1/BLEU），忽视了 system-level 关键指标：运营成本、架构 trade-off、模块化设计、可观测性。
论文做法：提出 Agent-Native Memory 系统评测框架，从 system 视角拆开每个 memory 组件分别度量，让架构决策有数据支撑。
论文做法：提出 Agent-Native Memory 系统评测框架，从 system 视角拆开每个 memory 组件分别度量，让架构决策有数据支撑。
W26 第二高票，定义了「Memory 不再是黑盒」的评测方法。从事长期 Agent、多轮对话产品、知识库的团队都该读，它把工程话题（成本、可观测性、模块化）拉进学术 backing。
3. Wan-Streamer v0.1: End-to-end Real-time Interactive Foundation Models
👍 95 upvotes
📚 cs.MM
📅 2026-06-23
首个端到端原生流式音/视/文交互基础模型，单个 Transformer 处理三模态全双工
研究问题：现有交互系统普遍是级联管线：VAD → ASR → LM → TTS → 音频驱动人像动画，5 个模块串行，延迟高、状态不一致、错误累积。
论文做法：Wan-Streamer 把语言、音频、视频作为单 Transformer的输入和输出，通过 block-causal attention 做增量流式编排，原生支持低延迟、全双工的实时音视频交互。
论文做法：Wan-Streamer 把语言、音频、视频作为单 Transformer的输入和输出，通过 block-causal attention 做增量流式编排，原生支持低延迟、全双工的实时音视频交互。
它尝试用单个模型替代 5 段级联管线。Voice Agent、视频对话和虚拟人团队可重点比较端到端延迟、错误传播和可维护性，不能只按模块数量判断收益。
4. EnterpriseClawBench: Benchmarking Agents from Real Workplace Sessions
👍 80 upvotes
📚 cs.AI
📅 2026-06-22
基于专有真实企业会话构建 852 个可复现 task 的企业 Agent 评测基准
研究问题：企业 Agent 越来越多地在真实工作空间运行，读异构文件、调工具、交付业务产物。但现有 Agent benchmark 主要还是 toy task + 简单 prompt，跟真实企业场景脱节。
论文做法：EnterpriseClawBench 从大量企业 workplace session 蒸馏出 852 个可复现 task，每个 task 配套：recovered fixtures（执行环境）、rewritten prompts（脱敏后任务描述）、role classes（角色分类）、skill subclasses（技能子类）、hard rules（硬性约束）、semantic rubrics（语义评分）。因 session 含企业内部内容不公开数据，但发布完整复现方法论。
论文做法：EnterpriseClawBench 从大量企业 workplace session 蒸馏出 852 个可复现 task，每个 task 配套：recovered fixtures（执行环境）、rewritten prompts（脱敏后任务描述）、role classes（角色分类）、skill subclasses（技能子类）、hard rules（硬性约束）、semantic rubrics（语义评分）。因 session 含企业内部内容不公开数据，但发布完整复现方法论。
Agent 评测向「真实世界化」推进的一个清晰参考。852 个 task 和多维 rubric 让它成为企业 Agent 评测方向的强参考；做企业 Agent 的团队可借鉴其构造与评价协议。
5. NatureBench: Can Coding Agents Match the Published SOTA of Nature-Family Papers?
👍 61 upvotes
📚 cs.AI
📅 2026-06-23
跨学科 90 task 直接蒸馏自 Nature 论文，评测 Coding Agent 能否从复现走到发现
研究问题：现有 Coding Agent benchmark 多停在「能不能修 GitHub issue」「能不能写测试」层面，与「能不能做科研」差距巨大。
论文做法：NatureBench 跨学科取 peer-reviewed Nature 系刊 90 个 task，配套 NatureGym 自动给每个 task 起独立容器（避免环境碎片化让评测不可信）。严格禁用 web search，对 10 个前沿 Agent 配置评测「能否从论文 + 数据走到 SOTA 复现/超越」。
论文做法：NatureBench 跨学科取 peer-reviewed Nature 系刊 90 个 task，配套 NatureGym 自动给每个 task 起独立容器（避免环境碎片化让评测不可信）。严格禁用 web search，对 10 个前沿 Agent 配置评测「能否从论文 + 数据走到 SOTA 复现/超越」。
把 Coding Agent 评测推进到科研复现/发现场景，评测难度显著抬高。给 Agent 厂商一个清晰的标尺：不止「能跑 demo」「能写代码」，而是「能不能从原始问题走到新发现」。
6. Escaping the Self-Confirmation Trap: An Execute-Distill-Verify Paradigm for Agentic Experience Learning
👍 51 upvotes
📚 cs.AI
📅 2026-06-23
诊断单 Agent 经验学习的 Self-Confirmation Trap，提出 Execute-Distill-Verify 三段架构
研究问题：经验驱动的 self-evolution 对 LLM Agent 进步关键，但现有方法多用单 Agent 回路，同一个 Agent 执行任务、总结结果、决定 memory 内容。这种结构有「Self-Confirmation Trap」：错的但自洽的轨迹被识别为成功经验，存进 memory 后累积错误。
论文做法：提出 EDV（Execute-Distill-Verify）框架，多个异构执行者并行跑 trajectory、第三方蒸馏者分析轨迹产出候选经验、再由执行组通过共识机制验证后才写入 memory，避免单 Agent 回路里「自己当裁判」的失真。
论文做法：提出 EDV（Execute-Distill-Verify）框架，多个异构执行者并行跑 trajectory、第三方蒸馏者分析轨迹产出候选经验、再由执行组通过共识机制验证后才写入 memory，避免单 Agent 回路里「自己当裁判」的失真。
EDV 针对执行者同时评价自身轨迹时可能产生的偏差，引入独立蒸馏与验证步骤。效果仍需结合验证成本和任务分布评估。
7. In-Context World Modeling for Robotic Control
👍 50 upvotes
📚 cs.RO
📅 2026-06-24
把 robot 系统识别变成 in-context adaptation，避免每个新设备都要重训 VLA
研究问题：现代 Vision-Language-Action 模型在新部署场景（相机视角变化、机器人形态变化）容易失败，因为它们只根据当前观察 + 语言指令决策，把 system configuration 当成训练时固定的隐变量。结果：每换一个机器人就要重新收数据 + fine-tune。
论文做法：ICWM 把系统识别变成 in-context adaptation 问题，给模型一段新系统上的自生成、任务无关的交互历史作为 context，让模型推断 system variables，无需参数更新即可适配。
论文做法：ICWM 把系统识别变成 in-context adaptation 问题，给模型一段新系统上的自生成、任务无关的交互历史作为 context，让模型推断 system variables，无需参数更新即可适配。
ICWM 在机器人控制中用上下文适配系统变化，可与语言空间世界模型作概念对照。跨机器人或车型的收益需要在目标设备上测试。
8. KaLM-Reranker-V1: Fast but Not Late Interaction for Compressed Document Reranking
👍 47 upvotes
📚 cs.IR
📅 2026-06-22
解耦 query 与 passage 计算的高效 reranker，encoder 用 Matryoshka 池化预编码
研究问题：主流 reranker（无论 encoder-based 还是 decoder-based）把 query 和 passage 联合编码，计算强耦合，部署效率差，无法预编码缓存 passage、无法弹性调整。
论文做法：KaLM-Reranker-V1 提出 Fast-But-Not-Late（FBNL）interaction，encoder-decoder 架构，encoder 用 Matryoshka embedding pooling 预编码 passage（可缓存），decoder 处理 query 时只做轻量交互。既保留表达力，又把 throughput 拉上来。
论文做法：KaLM-Reranker-V1 提出 Fast-But-Not-Late（FBNL）interaction，encoder-decoder 架构，encoder 用 Matryoshka embedding pooling 预编码 passage（可缓存），decoder 处理 query 时只做轻量交互。既保留表达力，又把 throughput 拉上来。
KaLM 把 passage 预编码与 query 计算拆开，目标是降低重排开销。生产环境应比较 P50/P95 延迟、吞吐、召回质量和缓存成本。
本周总结
W26 的高票论文集中在环境模拟、Agent 评测和记忆系统。本节按公开摘要与论文页面归类，未复现实验。
基础模型层面，Qwen-AgentWorld、ICWM 和 Wan-Streamer 分别研究语言环境模拟、机器人上下文适配和端到端音视频交互。它们不能在同一指标上直接排序，实际收益要回到各自任务验证。
Agent 工程化层面，EnterpriseClawBench、NatureBench、EDV、OPID 和 OT-Agent 分别覆盖企业任务、科研复现、经验验证、在策略蒸馏和数据整理。可优先核对任务是否公开、评测能否复现，以及验证成本。
系统化层面，Agent-Native Memory 和 KaLM-Reranker 双双进入本周高票，反映的是从「黑盒能用就行」走向「按系统指标拆开评估」。这与本站刚发的 Headroom 中文使用教程（本地上下文压缩）属同一脉络，Memory / RAG / context compression 这条「LLM 应用最贵的隐性成本线」开始有了系统性的工程对策。
模型训练、Agent 产品、机器人和 RAG 团队可分别核对稳定性、评测协议与系统成本。论文热度不能替代目标环境中的复现和基线比较。
本文由恩筑AI研究团队依据 Paper Collector 论文热度数据整理并复核后发布。热度数据截至 2026-06-29 10:00 CST 抓取，upvotes 等指标可能随时间变化。论文信息来源为 HuggingFace Papers 和 arXiv，趋势判断代表团队观点，仅供参考。 论文卡片对应抓取时的 arXiv 版本；本站未逐篇复现实验，后续修订以链接页面为准。