来源：arXiv cs.AI / cs.LG / cs.CL · 精选 5 篇（论文日期 2026-07-23，滞后执行日期 3 天）
今日精选
1. 无云端依赖的 Agentic Coding：开源大模型在纵向数据准备任务上的评估
- 原标题: Agentic coding without the cloud: evaluating open-weight large language models on longitudinal data preparation tasks
- 作者/机构: Mack Nixon, Liam Wright, Yevgeniya Kovalchuk 等（University College London）| arXiv
- 核心贡献: ① 解决敏感数据场景下无法使用云端 LLM 的治理困境——纵向人口研究等场景禁止向外部服务传输个人数据，而开源可本地部署的模型提供了替代方案。② 构建开源评估框架 RRBench：包含基准数据集（英国队列研究 6 轮数据清洗脚本）、20 项数据准备任务（102 个变量生成）、自动化 R 代码与输出数据评估流程。③ 在消费级硬件上对 31-35B 参数的开源模型进行基准测试，平均任务完成率达 87.9%（近乎饱和），证明了本地化 Agentic Coding 在治理受限研究场景中的可行性。
- 工程关联: 对金融、医疗、政务等数据合规要求严格的场景有直接参考价值——验证了 30B 级别的开源模型在消费级硬件上即可完成复杂的数据清洗和代码生成任务，无需依赖云端 API。开源框架 RRBench（github.com/UCL-ARC/RRBench）可以直接复用于团队的内部数据管线建设。
- 价值点: 精准击中了「数据不能出本地，但需要 AI 辅助编码」这一广泛存在的工程痛点，以实证方式给出了可行路径和基准数据。7 位作者、102 个变量、20 项任务的评估设计严谨。
2. MIRROR：通过跨视角互惠学习提升多模态推理
- 原标题: MIRROR: Learning from the Other View for Multi-Modal Reasoning
- 作者/机构: Wen Ye（USC）, Yuxiao Qu（CMU）, Aviral Kumar（CMU / Google DeepMind）, Xuezhe Ma（USC）| arXiv
- 核心贡献: ① 揭示 VLM 的多模态推理不一致现象：同一几何问题，模型可能从文本视角解答正确但图表视角失败，反之亦然——不同视角暴露了互补的推理路径和失败模式。② 构建 ODA-Data 配对数据集（文本主导/图表主导/图文结合三种视角），并提出 MIRROR 强化学习算法：对每个问题评估所有视角的表现，选最佳视角作为教师，用 reverse-KL 目标训练其他视角向教师对齐。③ 在几何推理基准上，MIRROR 全面超越标准 RL 训练，同时提升了跨模态的一致性和准确率。
- 工程关联: 对多模态 Agent、视觉问答系统、数学教育 AI 等多视角推理场景有方法论层面的启发。核心洞察——「不同模态视角的推理能力互补，可通过 RL 互相蒸馏」——是一种可泛化的训练范式，不限于几何领域。
- 价值点: Aviral Kumar（RLHF/RLAIF 领域知名学者，CMU + Google DeepMind）参与。提出的「跨视角教师-学生 RL」思路简洁而有效，为解决 VLM 的模态偏见和不一致性问题提供了新的训练范式。代码与数据集有望开源。
3. 超越谄媚：LLM 道德推理中的结构化抵制与服从
- 原标题: Beyond Sycophancy: Structured Resistance and Compliance in LLM Moral Reasoning
- 作者/机构: Baihui Wang（University of Chicago / Yale）, Bernard Koch（University of Chicago）| arXiv
- 核心贡献: ① 重新审视 LLM 的「谄媚」问题——不应仅视为待消除的一维失败模式，而应理解为更广泛的「抵制-服从」判断更新过程。② 通过三项实验揭示 LLM 的道德判断修订遵循三个维度（与人类社会心理学经典现象平行）：外部观点与模型初始立场的距离、观点的来源归属、支持观点的群体结构。③ 发现 LLM 更容易接受与其初始立场接近的观点、更易受标注为「自身此前判断」的观点影响、对群体压力的响应模式存在差异。④ 提出结构化框架，用于区分「建设性信念修正」和「谄媚性服从」，为道德相关交互中的对齐提供更精细的指导。
- 工程关联: 对安全对齐（Safety Alignment）、价值观对齐（Value Alignment）和面向用户的对话系统设计有深层启发。三因素框架可以帮助产品团队设计更精细的 RLHF 奖励函数和评估方案——不是简单地「惩罚谄媚」，而是根据距离、来源和群体结构多维建模。
- 价值点: 将 LLM 对齐问题与社会心理学框架对接，从学界主流「降谄媚」的一维视角升维到涉及距离/来源/群体的三维结构化理解。这一理论框架可指导下一代对齐训练数据的设计。
4. 面向工业界 AI Agent 创建民主化的持续保障
- 原标题: Toward Continuous Assurance for the Democratization of AI Agent Creation in Industry
- 作者/机构: Natan Levy（Hebrew University of Jerusalem）, Harel Berger（Ariel University）| arXiv
- 核心贡献: ① 识别「Agent 民主化」带来的可靠性风险：非工程用户通过低代码/无代码平台创建的 Agent，表面上像静态工具，实际上依赖模型、工具、检索源、权限、Prompt、调度、外部服务等不断变化的生态系统，可能在部署后出现静默退化。② 提出轻量级持续保障框架：包含依赖关系映射、就绪契约、定时检查、诊断和生命周期治理五大组件，评估 Agent 在预期条件下是否仍保持「运行就绪」状态。③ 给出初始原型审计器实现和基于场景的评估，展示了如何将抽象分类转化为可执行检查与可操作的修复指导。
- 工程关联: 对在企业内部部署 Agent 平台（如 Copilot Studio、GPTs、内部低代码 Agent 构建器）的团队有直接的治理参考价值。依赖映射 + 定时检查 + 就绪契约的组合可以直接嵌入到 Agent 发布管线中，作为 CI/CD 的一部分防止静默退化。特别适合有合规审计需求的金融/医疗行业。
- 价值点: 填补了「Agent 运维可靠性保障」这一被忽视但日益重要的工程空白。当前大量企业正在推广 Agent 民主化，但无人关注创建后的持续可靠性——这篇论文系统地定义了问题空间和轻量级解法。
5. Windowed-MTP：在百万 Token 上下文中消除全上下文草稿 KV 开销
- 原标题: Windowed-MTP: Removing the Full-Context Draft-KV Tax at Million-Token Context
- 作者/机构: Alagappan Valliappan（NVIDIA）| arXiv
- 核心贡献: ① 揭示原生 MTP（Multi-Token Prediction）推测解码在长上下文场景的隐藏瓶颈：MTP 草稿头在每步草稿生成时对整个 KV Cache 执行完整注意力，在百万 Token 上下文下，草稿读取成本随上下文线性增长并主导解码开销——恰好在推测解码最有价值的场景中失效。② 提出 Windowed-MTP：仅对草稿的注意力应用 StreamingLLM 风格滑动窗口 + 注意力槽，保持验证阶段的全注意力完整不变。训练无关、即插即用、理论上无损（全注意力目标仍决定每个被接受的 Token）。③ 在 1M 上下文下，Windowed-MTP 将草稿 KV 工作集约束为常数（丢弃约 99% 的 KV 条目），在三类架构（Qwen GDN-MoE 35B/122B、Mamba2-hybrid NoPE 120B）上单 GPU 解码每步成本降低 28%-44%，同时保持输出分布不变。
- 工程关联: 对长上下文推理部署（RAG 长文档、代码库级 Agent、多轮对话系统）有即时的性能优化价值。Windowed-MTP 无需训练、直接替换原生 MTP，适合在 SGLang/vLLM 等推理框架中集成。NV 出品 + 25 页详细实验 + 三类架构验证，工程可信度高。
- 价值点: NVIDIA 内部研究。精准定位了业界大规模部署的推测解码方案在长上下文场景中的性能反噬问题，并给出了优雅的「仅窗口化草稿、保留完整验证」解法。28%-44% 的端到端延迟降低直接转化为更低的 API 成本和更好的用户体验。
今日关键词
Agentic Coding · 代理编码 · 多模态推理 · Multi-Modal Reasoning · RLHF 对齐 · Alignment · 持续保障 · Continuous Assurance · 推测解码 · Speculative Decoding · MTP · Multi-Token Prediction · 开源可本地部署 · Open-Weight Local Deployment · Agent 可靠性 · Agent Reliability