Papers - 2026-07-23
吾能观之数千而面色如故
Agent Training and Evaluation#
AgentDebugX: An Open-Source Toolkit for Failure Observability, Attribution, and Recovery in LLM Agents
这篇论文提出 AgentDebugX，一个面向 LLM agents 的开源故障可观测、归因和恢复工具链。它将调试流程组织为 Detect、Attribute、Recover、Rerun 的闭环，并通过 DeepDebug 做多轮根因诊断，结合全局轨迹理解、结构化排查和交叉质询来定位真正的出错步骤。实验中，DeepDebug 在 Who and When 基准上取得了最优的严格归因准确率，在 qwen3.5-9b 上达到 28.8% 的 agent-and-step exact accuracy，明显高于最强单步基线的 21.7%；在 GAIA 上一次重跑修复了 73 个失败任务中的 13 个，而分离式自我纠错基线只有 4 到 6 个，整体准确率从 55.8% 提升到 63.6%。
Multimodal World Model#
ABot-World-0: Infinite Interactive World Rollout on a Single Desktop GPU
这篇工作提出 ABot-World-0，一个可在单张桌面 GPU 上进行长时程闭环交互的动作条件视频世界模型。它通过多源数据基础设施收集来自 AAA 游戏、仿真引擎和互联网视频的数据，并结合 14 项确定性质量检查、VLM 评估以及同步的动作与文本标注来构建训练数据。模型训练上，作者将双向动作条件教师模型逐步蒸馏为因果学生模型，并引入 LongForcing 来缓解长序列自回归滚动时的分布偏移和漂移。部署方面，系统结合轻量 VAE 解码器、高效注意力、内存感知调度和低比特 DiT 推理，实现了最高 720P、16 FPS 的流式生成，峰值显存约 19GiB。实验表明，它在 WorldRoamBench 和长时程交互回放中具备较强的可控性与连贯性。
Generative World Renderer at the Speed of Play
这篇论文提出 AlayaRenderer-Flash，一个面向实时交互的生成式世界渲染器。它以物理引擎导出的结构化世界状态为输入，在不改变底层世界动力学的前提下合成 RGB 帧，从而支持可交互的可控生成。方法上，作者将原始渲染器改写为少步自回归流式模型，并引入轻量蒸馏 codec 来提升潜变量编码和帧重建效率。实验显示，模型将推理速度从 0.56 FPS 提升到 31.54 FPS，同时在内容保持、时间一致性、跨窗口稳定性和提示可控性上保留了教师模型的大部分能力。结合物理引擎后，系统可以实现 30 FPS 的可玩生成世界。
AlayaWorld: Interactive Long-Horizon World Modeling -- Full Technical Report
这篇技术报告提出 AlayaWorld，用于交互式长时程世界建模，目标是在持续交互中维护环境状态并支持长跨度推演。方法上围绕多模态轨迹、长时序记忆和交互反馈来组织世界状态更新。论文以系统级实验和案例展示了该框架的可行性，并表明它在长时程建模与交互稳定性上具有优势。