本栏目为每期一版的 AIGC 学术界 / 工业界前沿摘要。选题以人工筛选为主，每篇的分析要点由自动化流程生成，可能存在偏差或不准确之处，仅供参考。

本栏目聚焦 AI / LLM / Agent / Harness，不收录纯图像、纯视频生成方向；世界模型与具身作为「智能体在物理世界的延伸」保留。本期时间窗为 7 月 9 日至 13 日：主流模型厂商处于发布淡季（上期已覆盖 GPT-5.6 与 Gemma 4），故产品线只收一条落在窗内、且与栏目主题直接相关的 harness 迭代，重心放在论文。

模型 & 产品

Claude Code（第 28 周迭代 + v2.1.207）

Anthropic 的编码智能体客户端本期（第 28 周，7 月 6–10 日，及 7 月 11 日的 2.1.207 版本）密集迭代，本身不是新模型发布，而是「智能体 harness」这层工具的持续打磨——主线是把自主运行更安全与桌面端能力补齐同时推进。放进本栏目，是因为它正是「模型不变、靠 harness 提效」这条工程路线的一手样本。

  • 能力更新：第 28 周引入 Desktop 端内置浏览器（in-app browser），把 /doctor 从单点检查升级为完整环境体检，并带来 auto mode 的安全性改进与 agent view 的观感升级。7 月 11 日的 2.1.207 进一步把 auto mode 在 Bedrock / Vertex / Foundry 上默认开启，Bedrock 侧模型升级到 Claude Opus 4.8，并修复了一批冻结、崩溃、worktree 与插件相关的问题。
  • 生态：更新集中覆盖 Bedrock / Vertex / Foundry 三条企业部署渠道；结合此前 7 月 1 日 Sonnet 5 设为默认、7 月 2 日 Claude in Chrome 转正，可见近两周 Claude Code 的重心是把「默认放手让智能体自己跑」这件事在企业与桌面场景里坐实。
  • 定性：都是增量更新而非能力跃迁，观察价值在「厂商如何把 auto mode 默认化并配套安全护栏」这一 harness 设计取向，而非某个跑分。

论文精选

每篇附 arxiv 链接，并给出「实用性 / 创新性」评分（满分 5）。均为 7 月 9–10 日提交的预印本，部分定量结论以摘要口径为准，细节以全文为准。

LLM / Agent

UniClawBench — A Universal Benchmark for Proactive Agents on Real-World Tasks

核心动机：现有主动式（proactive）智能体评测多依赖沙盒环境与单轮范式，任务类别又把多种能力混在一起，导致「失败了却说不清败在哪一环」。

横向对比：UniClawBench 围绕五种核心能力组织——技能使用、探索、长上下文推理、多模态理解、跨平台协调；共 400 条双语真实任务，在真实 Docker 容器里用细粒度、分步的完成度 checkpoint 打分。评测走闭环：一个执行 agent、一个隐藏的 supervisor agent、一个 user agent，模拟多轮反馈又不暴露评分标准；并跨多个智能体框架测试，以把底座模型能力与框架设计拆开看。摘要未给逐模型分数。

优点：真实容器 + 分步 checkpoint，比沙盒单轮更贴落地；跨框架设计能隔离「底座 vs harness」的贡献；双语、闭环多轮更接近真实使用；能力五分法让失败定位更清晰。 缺点：摘要无逐模型成绩，难判基准区分度与整体难度；400 任务属中等规模；隐藏 supervisor 的评分一致性与「主动性」判定边界待验证；容器化维护成本高。

Ideas Have Genomes — Benchmarking Scientific Lineage Reasoning and Lineage-Grounded Idea Generation

核心动机：科学想法像生物基因组一样，从前作里继承机制、修补局限、重组旧件；但现有基准几乎不能反映 AI 是否真的在遵循这种「继承结构」。

横向对比：论文提出 IdeaGene 框架与 IG-Bench——把每篇论文/提案拆成一组最小、带类型、证据锚定的 Idea Genome 对象，用 GenomeDiff 对齐它们，追踪继承、变异、丢失、外部引入、新插入等六种演化动态；配两套评测：IG-Exam（闭式血统推理）与 IG-Arena（生成，用血统条件化的 Population-Evolution Score / PES 打分）。规模上有 1961 条 golden lineage trace、1085 个 Idea Genome 对象、920 条 GenomeDiff、覆盖 10 个学科域，IG-Exam 含 42 类任务、1029 个实例，测了 14 个「LLM 科学家」。关键发现是一个组合瓶颈：最佳系统在血统推理上 exact accuracy 只有 27.3%，且喂进结构化血统上下文只是重排了系统名次，而非对所有参与者普遍有帮助。

优点：把「站在前人肩膀上」形式化为可测的对象 + diff，视角新颖；规模与学科覆盖都不小；用 27.3% 这个硬数字戳破「AI 会做科研继承」的乐观预期；对自动科研 / 想法生成方向有直接指导。 缺点：Idea Genome 抽取质量强依赖构建流程；PES 这类血统条件化打分主观性较高；27.3% 说明离可用尚远；纯基准工作、无配套新方法。

S-TTT — Self-Guided Test-Time Training for Long-Context LLMs

核心动机：把上下文窗口撑大，不等于模型会用长输入——随输入变长，定位相关证据越来越难，准确率反而下滑。测试时训练（TTT）能救场，但在全上下文上做太贵、在随机片段上做噪声太大；作者实测发现 TTT 对「训练片段质量」高度敏感：随机 span 反而伤性能，oracle span 才显著有用。

横向对比：S-TTT 的做法是先让模型自己识别「该学的证据 span」，再只在这些选中的 span 上跑标准语言建模目标做适配，而不是啃整段上下文。在 LongBench-v2 与 LongBench-Pro 上，用 Qwen3-4B-Thinking-2507 与 Llama-3.1-8B-Instruct 两个底座测，两者都提升，最高达约 15% 的相对提升。

优点：抓住「TTT 关键在片段质量」这一实证洞察，动机扎实；自引导选证据 span，同时绕开全上下文的成本与随机片段的噪声；即插即用于现有模型；双基准、双底座交叉验证。 缺点：效果吊在「模型自选 span 是否选得准」上，选错即退化；TTT 每次查询仍有额外计算与延迟；仅测两个中小模型；给的是相对提升口径，绝对增益与更长上下文的外推未展示。

CausalDS — Benchmarking Causal Reasoning in Data-Science Agents

核心动机：现有基准两头不靠——要么是脱离真实数据分析的符号化因果推理测试，要么是缺乏严谨因果结构的数据分析测试；且已有因果数据集多靠人工样例 + 有限模板变体，而非系统化生成的新颖结构。

横向对比：CausalDS 把每个实例做成一个「场景」——采样一个结构因果模型（SCM）并生成观测数据，再配一段设定在真实领域的合成自然语言故事；可选地用真实数据的经验分布做锚定，以降低「causal parrot」（背因果套话）风险。任务覆盖 Pearl 因果之梯的全部三层，通常带编码环节和多工具调用（因为观测常不完美）；尤其把「问题无有效答案时恰当地弃答」作为一等被评分的结果。摘要未给逐模型成绩。

优点：把符号因果、数据科学、不确定性量化、弃答、工具/编码统一进一套基准，覆盖面广；用合成 SCM 系统化造题，避开模板化与数据泄漏；把「弃答」显式计分，贴合真实分析中的「无解」情形；对数据科学 Agent 的评测缺口有针对性。 缺点：摘要无模型对比数字，难判当前系统水位；合成故事与真实数据分析任务之间仍有分布差；「弃答」判定的评分口径需细看全文；纯基准、无新方法。

Harness / 工程实践

Remember When It Matters — Proactive Memory Agent for Long-Horizon Agents

核心动机：长程任务里关键信息散落在越来越长的轨迹中，会被埋没、甚至被挤出上下文窗口；作者把这种失败模式命名为「behavioral state decay」——相关事实在真正需要时无法影响决策。这是典型的 agent 运行时上下文/记忆管理问题，故归入 harness / 工程实践。

横向对比：方案是让一个独立的 memory agent 与「不做改动」的 action agent 并行运行——它从近期轨迹维护一个结构化 memory bank，并决定是注入一条「有记忆依据的提醒」还是保持沉默；作者刻意把记忆定位为主动干预机制而非被动检索，且强调该模块即插即用于前沿 action agent 与现有 agent harness。效果上 Terminal-Bench 2.0 +8.3pp、τ²-Bench +6.8pp（对偏弱与偏强的 action agent 都涨）；消融显示「选择性干预」优于被动 bank 暴露、always-on 注入、仅给建议、以及通用检索四种对照；此外还用 SETA 以 SFT + GRPO 训了 Qwen3.5-27B，验证奖励提升，但对 Terminal-Bench 只有「部分迁移」。

优点：把「记忆」从被动检索重构成「该提醒才提醒」的选择性主动干预，是漂亮的 harness 层洞察；不改 action agent、即插即用；在真实 agent 基准上有明确正增益（+6~8pp）；消融充分，证明选择性注入确实优于各种朴素基线。 缺点：训练出的开放权重记忆策略仅「部分迁移」，泛化有限；额外的 memory agent 带来算力与延迟开销；仅在两个 agent 基准上验证；「注入时机误判」的代价（打断/误导）未量化。

Eval / 评测

UI2App — Benchmarking Visual Interaction Inference in Executable Web Application Generation

核心动机：现有前端产物评测大多只看「长得像不像」（视觉保真），缺对「点不点得动」（交互能力）的系统评测。UI2App 把问题推到极端——只给静态截图、不给文字或行为说明，让模型从视觉线索反推应用应有的交互（首个针对「interaction inference」的基准）。

横向对比：327 张截图、45 组状态连贯集合，对应可运行的多路由 web 应用；四维打分——可执行性、导航可达性、视觉保真、交互推断（IIS），其中 IIS 按功能正确性 + 状态管理复杂度给分，认「任一有效实现」而非匹配单一参考。6 个前沿 VLM 上，视觉保真第一的模型 IIS 仅 7.5、总排名掉到第四，落后 IIS 冠军 5.2 倍；高复杂度交互（如跨页状态）上半数模型直接得 0——「视觉重建」与「交互实现」严重错配。

一句总结：给前端/webapp 产物评测立起「交互正确」这根独立标尺，方法学上可直接借鉴（IIS 的「认任一有效实现」尤其贴 JS/TS 现实）。本篇 7 月 7 日提交，略早于本期窗口，作为 Eval 子类补录；更完整的前端产物评测谱系见专题《前端 / WebApp 产物的 Eval 现状》。

世界模型与具身

ARDY — Autoregressive Diffusion with Hybrid Representation for Interactive Human Motion Generation

核心动机：交互式人体动作生成卡在一道鸿沟——离线方法控制精准却太慢、无法实时交互；在线方法能实时，却牺牲可控性、也难处理复杂文本语义与长程目标。ARDY 想同时要「实时」和「可控」。落点在实时流式控制与人形机器人，故收入具身线。

横向对比：ARDY 是一套流式生成框架，用混合表征（显式 root 特征 + 隐式 body embedding），配一个带可变历史上下文的两阶段自回归 transformer 去噪器，支持在灵活的长程运动学约束下条件生成；在大规模动捕数据上训练，可在线文本提示、鼠标/键盘驱动 locomotion、路径跟随与关键帧约束。在 HumanML3D 与自建的大规模高保真 Bones Rigplay 数据集上评测（摘要未给 FID 等具体数值）。

优点：把「离线可控」与「在线实时」缝到一起，交互体验是核心卖点；流式 + 可变历史上下文天然适合实时驱动；面向动画、仿真与人形机器人的具身控制，NVIDIA 开放了项目页、代码与模型；两阶段自回归去噪的设计清晰。 缺点：摘要缺定量指标，画质/时序难与同类横比；偏图形学动作生成，迁到真实机器人控制时的物理可行性待验证；依赖动捕与 ground-truth 姿态提供约束；长程自回归漂移与风格泛化未见专门证据。