AI Papers, May 18
今天的候选里有不少 agent memory、视觉推理和世界模型评测工作；严格去重后，真正贴近“可靠代理、状态更新、可验证推理、几何一致性”的论文不算多。下面选 7 篇，偏重 Fred 关心的长期记忆失效、轨迹/状态评测、数学结构化推理与 agentic 系统。
必读
STALE: Can LLM Agents Know When Their Memories Are No Longer Valid?
工作简介： 这篇提出 STALE，用 400 个专家验证的隐式冲突场景测试长期记忆 agent 是否能发现旧记忆已经失效。它不只问“能不能检索到新事实”，还分别评测 State Resolution、Premise Resistance 和 Implicit Policy Adaptation，即能否拒绝用户问题里暗含的过期前提，并在后续行为中主动使用更新后的状态。
简评： 这非常贴近可靠 agent 的核心难题：记忆系统的失败往往不是没存到新信息，而是没有进行状态裁决和传播。最佳模型整体只有 55.2%，说明“长上下文 + 检索”远远不等于可更新的个人状态模型；论文里的 CUPMem baseline 也提示显式 state consolidation 可能比继续堆 embedding memory 更有前途。
CurveBench: A Benchmark for Exact Topological Reasoning over Nested Jordan Curves
工作简介： CurveBench 用 756 张两两不相交 Jordan 曲线图片，要求模型从视觉输入恢复平面区域的嵌套包含树。任务看起来视觉上很简单，但输出是精确的拓扑结构预测；作者还用 RLVR 风格微调开源 VLM，在 easy split 上有明显提升。
简评： 这类 benchmark 的价值在于把“看图推理”剥离到非常清楚的数学对象：包含关系、树结构、精确拓扑。Gemini 3.1 Pro 在 hard split 只有 19.1% tree accuracy，说明当前 VLM 对可验证、离散、结构化视觉推理仍很脆弱；它比泛泛的 multimodal QA 更适合作为推理系统的 sanity check。
值得关注
Causal Forcing++: Scalable Few-Step Autoregressive Diffusion Distillation for Real-Time Interactive Video Generation
工作简介： Causal Forcing++ 面向实时交互式视频生成，研究 frame-wise autoregression 下只用 1–2 个采样步的极低延迟设置。核心是用 causal consistency distillation 初始化 few-step AR student，避免预计算完整 PF-ODE 轨迹，并扩展到动作条件 world model 生成。
简评： 这篇偏视频/世界模型工程，但问题设定很重要：如果生成式 world model 要进入交互环境，first-frame latency 和 frame-wise rollout 会比离线视频质量更关键。论文的指标提升幅度不算夸张，仍需看真实交互稳定性；但它把 few-step distillation、因果 rollout 和 action-conditioned world modeling 放在同一管线里，值得关注。
Quantitative Video World Model Evaluation for Geometric-Consistency
- arXiv: https://arxiv.org/abs/2605.15185
- Project: https://pdi-bench.github.io/
工作简介： 这篇提出 PDI-Bench / Perspective Distortion Index，用分割、点跟踪和单目重建把生成视频中的物体轨迹提升到 3D 坐标，再计算尺度-深度、3D 运动一致性和结构刚性等 projective-geometry residuals。目标是量化视频生成模型是否真的保持几何一致，而不是只靠人评或感知分数。
简评： 对世界模型研究来说，这种“诊断物理/几何错误”的指标比笼统视频质量分更有用。它依赖外部视觉管线，指标本身也会继承 SAM/CoTracker/重建模型的误差，但方向正确：把视频世界模型评测从审美问题推进到可测的几何约束问题。
ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both
工作简介： ATLAS 试图用一个离散 functional token 同时承担 agentic operation 和 latent visual reasoning unit：模型生成这个 token 时，相当于调用一个内部化的视觉操作，但仍保持普通 next-token prediction 训练形式。作者还提出 LA-GRPO，用辅助目标稳定稀疏 functional token 的强化学习。
简评： 这篇的想法有趣，因为它在“显式工具调用”和“不可解释 latent reasoning”之间找了一个中间表示。需要谨慎看实验细节：functional token 是否真的学到了可迁移操作、解释性是否超过事后命名，都是关键；但从架构接口上看，它对多模态推理的 token-level 操作抽象值得关注。
Nexus: An Agentic Framework for Time Series Forecasting
工作简介： Nexus 把时间序列预测拆成多个 agentic stages：区分宏观与微观波动、在可用时引入新闻/事件等文本上下文，再合成最终预测。实验覆盖 LLM 知识截止日期之后的 Zillow 房地产指标和波动股票数据，比较 TSFM 与 LLM baseline。
简评： 这篇把 forecasting 明确表述为“数值模式 + 语境推理”的 agentic reasoning 问题，而不只是序列外推。论文可能有 prompt/system 复杂度带来的可复现性问题，但它对 Fred 关心的“模型如何组织证据、解释驱动因素、处理不确定环境”有参考价值。
Long Context Pre-Training with Lighthouse Attention
工作简介： Lighthouse Attention 是一种训练期使用、末期可移除的分层选择式注意力包装方法，目标是在极长上下文预训练中降低普通 SDPA 的二次复杂度。它对 Q/K/V 做对称压缩，保持 causal 约束，并在训练后期通过短暂恢复阶段回到 full attention 模型。
简评： 这是偏底层训练效率的工作，但设计上比较干净：不是要求部署时使用新 attention，而是把它当作训练加速 scaffold。当前实验还是小规模 preliminary，离证明可扩展到主流大模型预训练有距离；但如果成立，对长上下文模型训练成本会有实际意义。
FrontierSmith: Synthesizing Open-Ended Coding Problems at Scale
工作简介： FrontierSmith 从封闭式竞赛编程题出发，自动演化出开放式 coding problems，并用 idea divergence metric 选择能诱导不同解法的题目，再让 agent 生成测试与 verifier。用这些合成数据训练 Qwen3.5 coder 后，在两个开放式 coding benchmark 上取得明显提升。
简评： 它关注的是 agent/coder 在开放目标下的长期问题求解，而不只是单函数补全。亮点是把“开放式任务数据”做成可规模化生成流程；风险是合成题和 verifier 仍可能把任务限制在可自动评分的窄分布里，真正工程开放性需要更多外部验证。
开源发布
- Lighthouse Attention 已开源训练期长上下文 attention scaffold： https://github.com/ighoshsubho/lighthouse-attention
- PDI-Bench 提供视频世界模型几何一致性评测页面与代码入口： https://pdi-bench.github.io/
- CurveBench 标注为有代码，可用于测试 VLM 的精确拓扑结构恢复： https://arxiv.org/abs/2605.14068
- Forcing-KV 不是今日主推论文，但其 AR video diffusion 的 KV cache 压缩实现和 demo 值得工程向跟进： https://zju-jiyicheng.github.io/Forcing-KV-Page
今日小结
今天没有出现足以改变路线的大模型发布；更有价值的是几篇“把失败定义清楚”的工作：STALE 把长期记忆更新失败具体化，CurveBench 把视觉拓扑推理做成精确结构预测，PDI-Bench 则把视频世界模型的几何一致性变成可量化残差。这些都比单纯刷新榜单更值得花时间看。