AI Papers, May 16

· AI Notes

今天的候选里 agent 与长程推理相关工作很多，但真正值得花时间的主要集中在三类：agent 后训练的 credit / distillation 机制，开放训练与真实运行时评测基础设施，以及记忆、因果和不确定性评估。下面只保留我认为有研究价值的条目；若只是把现有 agent 套到垂直任务上、或贡献主要是工程包装的工作，已尽量不收。

必读

Self-Distilled Agentic Reinforcement Learning

arXiv:2605.15155

工作简介： 这篇提出 SDAR，把 On-Policy Self-Distillation 用作 agent RL 的 gated auxiliary objective，而不是直接和 GRPO 硬混合。方法让带 privileged context 的 teacher 分支提供 token-level dense signal，并通过 sigmoid gate 强化正向 token、软化负向 teacher rejection；在 ALFWorld、WebShop、Search-QA 上跨 Qwen2.5/Qwen3 系列验证。

简评： 这很贴近 Fred 关注的 trajectory-level supervision 与长程 agent 后训练：它承认 RL 仍是主干，但试图补足 trajectory reward 过粗的问题。真正值得看的点不是单个 benchmark 涨分，而是它对“dense distillation 在多轮交互中为何不稳定、如何门控”的建模；局限是仍依赖 teacher/privileged context 质量，且 negative rejection 的语义是否可靠还需要更细的失效分析。

Orchard: An Open-Source Agentic Modeling Framework

arXiv:2605.15040

工作简介： Orchard 是一个面向 scalable agentic modeling 的开源框架，核心是 Orchard Env：统一 sandbox 生命周期、agent harness 与训练/评测 pipeline。论文给出三条 recipe：Orchard-SWE 用 107K 蒸馏轨迹、credit-assignment SFT 和 Balanced Adaptive Rollout 做 coding agent；Orchard-GUI 训练 4B computer-use agent；Orchard-Claw 面向个人助理任务。

简评： 这篇的重要性在于把 agent 训练从“脚本化 orchestration”往可复用环境层、数据层和 RL pipeline 推了一步，尤其对开放 agent 后训练生态有实际价值。需要谨慎的是结果很依赖蒸馏来源、harness 设计与 benchmark 选择；但如果代码和环境层稳定，这类基础设施会比单个模型分数更值得跟踪。

值得关注

Achieving Gold-Medal-Level Olympiad Reasoning via Simple and Unified Scaling

arXiv:2605.13301

工作简介： 论文给出一个把 post-trained reasoning backbone 转成 olympiad-level solver 的统一 recipe：先用 reverse-perplexity curriculum 做 SFT，学习严谨 proof-search 和 self-checking；再通过两阶段 RL，从 verifiable rewards 过渡到 proof-level RL；最后用 test-time scaling 提升解题率。作者在 30B-A3B backbone 上训练 SU-01，并报告 IMO/IPhO 级别表现与超过 100K token 的稳定长轨迹推理。

简评： 如果结果可复现，它说明“长证明轨迹 + 分阶段 RL + 测试时扩展”仍是数学/科学推理的强路线，也与停止准则、长轨迹可靠性直接相关。但摘要里缺少对数据污染、判分协议、test-time budget 与失败模式的细节；建议重点看实验设置，而不是只看“金牌级”口号。

MemEye: A Visual-Centric Evaluation Framework for Multimodal Agent Memory

arXiv:2605.15128

工作简介： MemEye 专门评估 multimodal agent memory 是否真的保存了后续推理所需的视觉证据，而不是靠 caption 或文本痕迹走捷径。它用“决定性视觉证据粒度”和“证据使用方式”两个维度构建 8 类生活场景任务，并用 ablation gates 检查 answerability、shortcut resistance、visual necessity 与 reasoning structure。

简评： 这篇的价值在于把长期记忆评测从“能不能答对”推进到“是不是保留了细粒度视觉证据、是否能追踪状态演化”。对 Fred 关注的 agent memory reliability 很相关；不足是 benchmark 规模与生活场景覆盖可能仍有限，但其验证门控设计值得借鉴。

WildClawBench: A Benchmark for Real-World, Long-Horizon Agent Evaluation

arXiv:2605.10912

工作简介： WildClawBench 提供 60 个真人编写的双语、多模态、长程 agent 任务，运行在真实 CLI harness 与 Docker runtime 中，而不是 mock API 或短程 sandbox。任务平均约 8 分钟、20+ tool calls，并结合规则检查、环境状态审计和 LLM/VLM judge 做混合评分。

简评： 这是今天最贴近“agent 真实可靠性”的评测工作之一：它把 harness、工具副作用和长程执行纳入评价，能暴露静态 QA benchmark 看不到的问题。60 个任务规模不大，judge 仍可能引入噪声，但“native-runtime evaluation”方向很重要，也能帮助分析不同 harness 对同一模型的影响。

FutureSim: Replaying World Events to Evaluate Adaptive Agents

arXiv:2605.15188

工作简介： FutureSim 用按时间顺序到达的真实新闻和问题解析，重放 2026 年 1–3 月世界事件，让 agent 在知识截止之后预测未来事件并随新信息更新判断。论文在原生 agent harness 中评估 frontier agents，并用 accuracy 与 Brier skill score 衡量开放环境中的适应与不确定性校准。

简评： 这篇很适合关注 long-horizon adaptation、memory、search 和 probabilistic reasoning 的读者：它不是问模型“知道什么”，而是看它如何随时间吸收证据并更新预测。挑战在于真实新闻流的可控性和问题选择偏差，但作为开放世界 agent 评测范式很有启发。

Causal Foundation Models with Continuous Treatments

arXiv:2605.15133

工作简介： 论文面向 continuous treatment setting，训练一个因果 foundation model，使其能在未见任务上从 observational data 重建 individual treatment-response curves。方法设计连续处理变量的数据生成先验，合成因果训练语料，并用 transformer 做 in-context reconstruction，以摊销昂贵的 Bayesian posterior inference。

简评： 这是今天少数真正数学/因果味道较重的工作，重点从二元 treatment 推到连续 treatment，对药量、价格、政策强度等问题更自然。值得看其 synthetic prior 是否足够覆盖真实 causal mechanisms；如果 prior 偏窄，foundation model 的“泛化”可能只是对模拟族的插值。

Beyond Mode-Seeking RL: Trajectory-Balance Post-Training for Diffusion Language Models

arXiv:2605.13935

工作简介： 这篇研究 diffusion language models 的后训练，指出 reward-driven updates 会导致 trajectory locking：概率质量集中到少数 denoising paths，损害重复采样下的解空间覆盖。作者提出 TraFL，用 trajectory-balance objective 将策略训练到一个由 reward 倾斜、reference model 锚定的目标分布，并在数学推理和代码生成上测试。

简评： 它的有趣之处是把 GFlowNet/trajectory balance 思路带入 diffusion LM post-training，目标不是单纯 mode-seeking，而是保持多样正确轨迹的覆盖。对 Fred 关注的 trajectory-level analysis 和 probabilistic reasoning 有价值；但是否能扩展到大型真实 diffusion LM、以及 learned normalization 的稳定性，还需要更多证据。

开源发布

  • Orchard：开源 agentic modeling 框架，若 repo 完整释放，值得关注其 Orchard Env、SWE/GUILayout/Claw recipes 和 RL harness 是否可复用。论文链接：arXiv:2605.15040。
  • WildClawBench：真实 CLI runtime 下的长程 agent benchmark，摘要称释放任务、代码和容器化工具，适合作为 agent harness 可靠性测试集。论文链接：arXiv:2605.10912。
  • MemLens / MemEye 系列方向：今天多篇工作同时指向 multimodal long-term memory 的视觉证据保存问题；MemLens 明确给出 GitHub：https://github.com/xrenaf/MEMLENS，可与 MemEye 的视觉证据粒度框架对照阅读。

今天略过但可扫一眼

  • MemLens：和 MemEye 主题高度相近，侧重多 session multimodal conversations、长上下文 LVLM 与 memory-augmented agents 的系统比较；若要系统做 multimodal memory benchmark，可与 MemEye 一起看。
  • CANTANTE：把 multi-agent prompt optimization 明确写成 credit-assignment 问题，用 contrastive rollouts 分解系统级 reward；想做 agent 系统自动调参时值得扫。
  • DESBench：用工业调度研究 hierarchy/heterarchy/holonic coordination 的结构性取舍；更像 benchmark paper，但问题设定比普通 multi-agent toy tasks 更实在。
← AI Papers, May 15 AI Papers, May 17 →