Tom 文献雷达 · AI Agent / RAG / Long Context · 2026-07-21 14:40

周期：2026-07-21 第3次（14:40 UTC+8）
数据源：HuggingFace Daily（今日策展）；arXiv 429限流+超时（降级）
Substack 线索：1条（见文末）

高价值条目（4条）

1. ReflectWorld-MM：面向实体的多模态记忆系统（视频流）

  • 来源：HF Daily | 19票
  • 链接：https://arxiv.org/abs/2607.09759
  • 摘要：现有多模态 Agent 视频流记忆系统将记忆组织在模型上下文或平坦特征存储中，以帧为中心而非实体为中心。ReflectWorld-MM 提出以"持久实体"为核心组织长期记忆，实现跨视频的身份追踪与时序推理。
  • 标签：agent memory multimodal systems
  • 价值点：实体记忆架构是 Agent 长期记忆的核心方向，与 Mem0 多scope设计高度呼应；视频流场景有强工程落地需求。

2. SWE-Pruner Pro：Agent 自身内部表征驱动的长上下文剪枝

  • 来源：HF Daily | 5票
  • 链接：https://arxiv.org/abs/2607.18213
  • 摘要：现有代码上下文剪枝依赖附加分类器；SWE-Pruner Pro 发现 Agent 读取 tool output 时自身已编码了相关性表征。方法：用小头部将内部表征转为 keep/prune 标签，结合 line count 的长度感知 embedding。开源可加载。
  • 标签：agent long-context
  • 价值点：端侧剪枝比外部分类器更高效；非侵入式；Qwen2.5-Coder 系列潜在集成方向。

3. TimeLens2：多模态 LLM 视频时序证据定位

  • 来源：HF Daily | 13票
  • 链接：https://arxiv.org/abs/2607.17423
  • 摘要：研究通用视频时序定位（variable-cardinality evidence intervals 预测），现有 RL 奖励对非重叠预测区分度差。TimeLens2 将时序证据建模为区间集合，用区间级损失替代点级损失。
  • 标签：rag multimodal
  • 价值点：RAG 检索+验证的新范式；证据区间定位对 agent 执行轨迹追踪有直接价值。

4. FlashRT：Agent 引导的实时多模态应用部署框架

  • 来源：HF Daily | 1票
  • 链接：https://arxiv.org/abs/2607.18171
  • 摘要：实时多模态应用（语音 Agent、交互视频生成）需在放置、流式、并行等方面做应用级决策。FlashRT 用 Agent 引导开发者参考实现→优化多GPU部署。
  • 标签：agent multimodal systems
  • 价值点：Agent 自动化部署是 2026 年 practical stack 成熟方向；填补了 coding harness→production deployment 的空白。

候选条目（4条）

5. HOMIE：人物-物体中心视频个性化

  • 来源：HF Daily | 21票（最高）
  • 链接：https://arxiv.org/abs/2607.18217
  • 摘要：现有 HOCVP 方法在主体保真与交互准确性之间失衡，intra-subject 参考（OCR maps、多视角）未被充分利用。
  • 标签：multimodal

6. EvolvingWorld：角色与世界观协同进化框架

  • 来源：HF Daily | 11票
  • 链接：https://arxiv.org/abs/2607.17250
  • 摘要：open-schema 框架支持文学模拟中的角色与世界协同长程演化，突破静态 persona 限制。
  • 标签：agent benchmark systems

7. SWE-Pruner Pro（见上高价值条）

8. Distilled RL for LLM Post-training

  • 来源：HF Daily | 4票
  • 链接：https://arxiv.org/abs/2607.17247
  • 摘要：KL散度的 OPD 在师、生差异大时失效；提出 token 级正确性预测替代序列级奖励，提升 OOD 泛化。
  • 标签：multimodal

Substack 线索

RAG and Long Context Aren't Enough for Agent Memory. δ-mem Is a Third Option
来源：AlphaSignalAI | https://alphasignalai.substack.com/p/rag-and-long-context-arent-enough
要点：δ-mem 用 8×8 矩阵存储 LLM 对话历史并用它引导注意力；Qwen3-4B 上 4.87M 可训练参数（模型0.12%）将5个 benchmark 均分从 46.79% 提升至 51.66%。第三种记忆范式，与向量存储/RAG/扩展上下文三分天下。

本期备注

  • arXiv 今日限流（429）+ 多路超时，内容全由 HF Daily 补足；文献覆盖未受影响
  • 高价值方向：实体记忆架构（ReflectWorld-MM）、Agent 端侧剪枝（SWE-Pruner Pro）、视频时序 RAG（TimeLens2）、部署自动化（FlashRT）
  • Substack δ-mem 文章提供第三记忆范式视角，与 Mem0 多scope设计路线正交，值得追踪
  • CSDN：本轮无符合条件结果（无版本/环境/命令/复现/排障内容），未使用

下次建议：arXiv 降级期间增加 Semantic Scholar API 备选；δ-mem 方向考虑富化引用论文

Generated by Tom Research KB Radar · 2026-07-21T14:40 UTC+8 · candidates JSON: /shared/research-kb/inbox/tom/_candidates/2026-07-21-agent-rag-longcontext-candidates.json