AI Papers, May 14

今天的候选论文里，真正值得花时间的工作主要集中在 Agent 训练与可靠性：怎样在 GUI 与工具之间切换、怎样利用失败轨迹改进安全、怎样让长期任务中的记忆和信念状态更可控。没有刻意凑数；若干生成类或领域应用论文虽然热度不低，但这里略过。

必读

ToolCUA: Towards Optimal GUI-Tool Path Orchestration for Computer Use Agents

链接：arXiv｜项目页：https://x-plug.github.io/ToolCUA/

工作简介： 这篇论文研究 computer-use agents 在原子 GUI 动作（点击、输入）和高层工具调用（文件/API 操作）之间如何选择执行路径。作者构造 interleaved GUI-tool trajectory 生成管线，先用工具自举的 GUI RFT 训练关键切换点，再在高保真 GUI-tool 环境中做 online agentic RL，并用 tool-efficient path reward 鼓励更短、更合适的工具使用路径。

简评： 这是很贴近 Fred 关注点的一篇：它不是只提高单步 UI grounding，而是直接处理 trajectory-level 的路径编排问题。值得注意的是，46.85% 的 OSWorld-MCP 准确率和相对 baseline 约 66% 的提升很亮眼，但结果仍依赖合成工具轨迹和特定环境，后续要看跨工具库、跨 OS 的泛化。

On-Policy Self-Evolution via Failure Trajectories for Agentic Safety Alignment

链接：arXiv

工作简介： 作者提出 FATE，用 verifier 对 tool-using agents 的失败轨迹打分，并让同一策略生成修复候选，再按安全性、utility、过度拒绝、轨迹有效性等维度过滤，形成新的监督信号。随后用 Pareto-Front Policy Optimization 在安全和有用性之间做多目标优化，在 AgentDojo、AgentHarm、ATBench 上评估。

简评： 这篇的价值在于把 agent safety 从 response-level 推到 trajectory-level：危险工具调用、prompt injection、harmful compliance 和 over-refusal 都可以在执行过程中被定位和修复。它的主要风险是 verifier 质量会强烈影响闭环自进化，但“失败轨迹作为结构化修复监督”的方向很值得跟。

值得关注

Internalizing Curriculum Judgment for LLM Reinforcement Fine-Tuning

链接：arXiv

工作简介： 论文提出 METIS，让模型在 RFT 中自己判断哪些 prompt 更有训练价值，而不是依赖手写 curriculum 或外部辅助模型。核心信号是 within-prompt reward variance：模型根据最近训练结果预测 prompt informativeness，并同时优化任务 reward 和 self-judgment reward。

简评： 这是一个很干净的“learn what to learn next”想法，和自适应数据选择、on-policy curriculum 有直接关系。摘要声称在数学、代码和 agentic function-calling 中最多加速 67%，但需要进一步看 self-judgment 是否会被 reward hacking 或窄分布训练放大偏差。

LLM Agents Already Know When to Call Tools – Even Without Reasoning

链接：arXiv｜代码：https://github.com/Trustworthy-ML-Lab/when2tool

工作简介： 作者提出 When2Tool benchmark，系统区分何时必须调用工具、何时可以直接回答，覆盖计算规模、知识边界和执行可靠性等场景。他们发现 tool necessity 可以从生成前 hidden state 线性解码出来，AUROC 达 0.89–0.96，并用 Probe&Prefill 读取该信号来减少不必要工具调用。

简评： 这篇很有意思：模型“知道”是否需要工具，但生成策略不会自然利用这个内部信号。它和 stopping criteria、tool-use reliability 很相关；不过 Probe&Prefill 是外接 steering，真正的问题仍是如何把这种 latent calibration 内化到 agent policy。

Agent-BRACE: Decoupling Beliefs from Actions in Long-Horizon Tasks via Verbalized State Uncertainty

链接：arXiv

工作简介： Agent-BRACE 将长程部分可观测任务中的 agent 拆成 belief state model 和 policy model。belief model 输出一组自然语言原子命题，并给每个命题标注从 certain 到 unknown 的 verbalized certainty，policy 则基于这个紧凑信念状态而不是完整历史来行动。

简评： 这篇把 POMDP 里的 belief state 思想用语言结构近似出来，和概率推理、状态不确定性、长期 agent 记忆都有交集。限制在于 certainty 仍是离散语言标签，不是真正校准的后验分布；但作为工程化的 belief abstraction，它比单纯 history summarization 更有原则。

MEME: Multi-entity & Evolving Memory Evaluation

链接：arXiv｜项目页：https://seokwonjung-jay.github.io/meme-eval/

工作简介： MEME 评估持久化 LLM agent memory 在多实体、持续变化信息下的表现，特别加入 Cascade、Absence、Deletion 等依赖推理和删除后状态任务。作者比较六类 memory systems，发现系统在默认设置下几乎都无法处理 dependency reasoning，Cascade 平均 3%、Absence 平均 1%。

简评： 这是一个有诊断价值的负结果：检索做得好不等于记忆状态维护正确。它对长期 agent 设计很有提醒意义，尤其是多实体事实更新、删除和缺席证据这些看似小但非常容易导致真实系统出错的场景。

Solve the Loop: Attractor Models for Language and Reasoning

链接：arXiv

工作简介： 论文提出 Attractor Models：backbone 先生成输出 embedding，再由 attractor module 通过求 fixed point 迭代细化，并用 implicit differentiation 训练，使有效深度增加时训练内存保持常数。实验覆盖语言模型预训练和小模型推理任务，摘要称在 perplexity、下游准确率、Sudoku/Maze 等任务上优于标准 Transformer 或 looped baselines。

简评： 这是今天数学味最重的一篇，固定点、隐式微分和 adaptive convergence 都与“推理是否需要迭代计算”这个核心问题相关。摘要中的提升幅度很大，需警惕 benchmark/scale 选择带来的夸大；但若结果稳健，它可能是 looped/recursive reasoning architecture 的重要分支。

Executable Agentic Memory for GUI Agent

链接：arXiv

工作简介： EAM 将 GUI agent 的经验组织成可执行的 Knowledge Graph，用 state-aware DFS 和 action-group mining 压缩多步 routine，再用 value-guided graph search 和轻量 Q-function 引导 MCTS 在 KG 上找路径。作者还给出 Q-model bias-consistency 和 path recovery 的 sample complexity 分析，并在 AndroidWorld 上报告高于 UI-TARS-7B 的表现。

简评： 这篇把知识图谱、可执行记忆和 GUI automation 结合得比较直接，适合关注“agent memory 不只是文本检索”的读者。它的亮点是把规划空间从自由生成转成图检索/执行；但实际可扩展性取决于 KG 构建成本、环境变化后的维护，以及 routine 是否能跨 app 泛化。

Continual Harness: Online Adaptation for Self-Improving Foundation Agents

链接：arXiv

工作简介： 这篇从 Gemini Plays Pokemon 的实验出发，提出 Continual Harness：一个无需重置环境的自改进 agent harness，让 agent 在单次长程运行中持续改写 prompt、sub-agents、skills 和 memory，并利用过去轨迹数据进行在线适应。作者还加入 process-reward co-learning，用 frontier teacher 重新标注开源 agent 轨迹来更新模型。

简评： 这是很“agent engineering meets learning”的工作，重点不在某个新模型，而在 harness 如何成为持续适应的外部学习层。它很契合长期任务与 trajectory-level analysis；不过 Pokemon 仍是相对封闭的测试场，是否能迁移到开放 web/desktop agent 还需要更严肃验证。

开源发布

今天没有看到足够重要、可单独作为“开源发布”强调的大模型或基础框架发布。值得顺手收藏的代码/项目页包括 ToolCUA、When2Tool、MEME、EvoChamber、PASA 和 ROLL；其中与 Fred 主题最贴近的是 ToolCUA、When2Tool 和 MEME。