AI Papers, May 19

今天没有那种“一眼改变路线图”的大模型发布，但有几篇很贴近 agent 可靠性的工作：它们共同指向一个趋势——不要只看最终答案，而要把状态、证据、探索、权限边界和失败阶段都纳入可验证的过程结构。

必读

Context, Reasoning, and Hierarchy: A Cost-Performance Study of Compound LLM Agent Design in an Adversarial POMDP

工作简介： 这篇论文在 CybORG CAGE-2 这个对抗性、部分可观测的网络防御 POMDP 中，系统比较 compound LLM agent 的上下文表示、推理工具和层级分解设计。实验覆盖 5 个模型家族、12 种配置、3475 个 episode，并做 token 级成本核算。

简评： 结论非常值得 Fred 注意：程序化状态抽象的性价比最高，而把 self-questioning/self-critique 等 deliberation 工具分散进层级 agent 反而会形成“deliberation cascade”，更贵且更差。这是少见的、反直觉但很实用的 agent 设计负结果：在结构化 POMDP 里，干净的状态工程和任务分解可能比“更多思考”更可靠。

Argus: Evidence Assembly for Scalable Deep Research Agents

工作简介： Argus 把 deep research agent 从“多条 ReAct 轨迹并行撞答案”改成“拼装互补证据”的系统：Searcher 负责收集子问题证据，Navigator 维护共享 evidence graph、判断缺口、调度搜索并合成带来源的答案。Navigator 通过 RL 学习验证、派发和综合，Searcher 则保持标准 ReAct agent。

简评： 这篇切中深度研究 agent 的核心瓶颈：并行 rollout 容易重复搜索而不是补齐证据。共享证据图和缺口驱动调度比单纯扩大 test-time compute 更有结构性，也很符合知识图谱与 trajectory-level analysis 的方向；局限是结果仍依赖特定 35B-A3B MoE backbone，复现与开源情况需要继续观察。

值得关注

Nudging Beyond the Comfort Zone: Efficient Strategy-Guided Exploration for RLVR

工作简介： NudgeRL 面向 RLVR 中的探索不足问题，在 rollout 时加入轻量的 strategy-level context 来诱导多样化推理轨迹，并把奖励分解为跨 context 与 context 内部两部分，再用 distillation 把发现的行为迁回基础策略。论文报告其在 5 个数学 benchmark 上优于扩大到 8 倍 rollout budget 的标准 GRPO，并优于 oracle-guided RL baseline 的平均表现。

简评： 这不是简单调参，而是把“探索什么”显式结构化，对 reasoning RL 的样本效率和多轨迹分析都有启发。值得谨慎看实验细节：strategy context 是否会引入 prompt engineering 依赖，以及在数学以外任务能否保持收益。

Look Before You Leap: Autonomous Exploration for LLM Agents

工作简介： 论文把 LLM agent 在陌生环境中的失败归因于过早 exploitation，并提出 Exploration Checkpoint Coverage 来衡量 agent 是否发现关键状态、物体和 affordance。训练上交替优化任务执行 rollout 与探索 rollout，推理时采用 Explore-then-Act：先用一段预算探索环境，再执行任务。

简评： 这篇与 NudgeRL 形成呼应：agent 的泛化不只是“更会解题”，还要先学会收集环境信息。它的贡献更偏概念和训练范式，关键看 ECC 指标是否足够通用，以及探索预算在真实 GUI/Web/机器人任务中的成本是否可控。

Auditing Agent Harness Safety

工作简介： HarnessAudit 关注 agent harness 本身的安全性，而不是只看最终输出是否正确；它审计完整执行轨迹中的权限边界、执行保真度和系统稳定性。论文还构建了 210 个任务的 HarnessAudit-Bench，覆盖 8 个真实域，并比较多种单 agent 与多 agent harness 配置。

简评： 这是很符合“停止条件/可靠性/轨迹级审计”的工作：一个 agent 可以给出正确答案，同时在中途访问了不该访问的资源或把上下文泄露给错误子 agent。它提醒我们，agent 安全上限往往由 harness 设计决定，而不是模型能力本身决定。

Solvita: Enhancing Large Language Models for Competitive Programming via Agentic Evolution

工作简介： Solvita 用 Planner、Solver、Oracle、Hacker 四类 agent 组成闭环竞争编程系统，并给每个 agent 配一个可训练的图结构知识网络。系统把通过/失败、测试认证质量、Hacker 发现的漏洞等信号转成对知识网络权重的 RL 更新，使 agent 在不更新底层 LLM 权重的情况下积累解题经验。

简评： 亮点在“无权重更新的持续学习”与图结构经验路由，比较贴近 agent memory、self-evolution 和知识图谱的交叉。需要注意的是，目前摘要没有显示代码发布，且竞争编程环境的 verifier 很强，迁移到开放任务的可靠性仍未证明。

PAGER: Bridging the Semantic-Execution Gap in Point-Precise Geometric GUI Control

工作简介： PAGER 针对需要精确点击连续画布点位的几何 GUI 控制，提出 PAGE Bench：4906 个问题和 22.4 万个过程监督的像素级 GUI 动作。方法把几何构造分解为依赖结构规划与像素级执行，并用 precision-aligned RL 处理 rollout 暴露偏差。

简评： 它揭示了一个重要 gap：通用多模态模型动作类型准确率可超过 88%，但任务成功率低于 6%，说明“语义上知道做什么”和“几何上执行对”是两回事。对 GUI agent 和 embodied agent 来说，这类过程监督与拓扑依赖建模比最终成功率更有诊断价值。

CiteVQA: Benchmarking Evidence Attribution for Trustworthy Document Intelligence

工作简介： CiteVQA 要求文档 VQA 模型在回答问题的同时给出 element-level bounding-box citation，并用 Strict Attributed Accuracy 同时评估答案与引用区域。数据包含 711 份 PDF、1897 个问题，覆盖 7 个领域和两种语言，标注由 masking ablation 生成后经专家验证。

简评： 这篇的重要性在于把“答案正确但证据错了”的 attribution hallucination 明确量化；最强开放 MLLM 的 SAA 只有 22.5，说明文档智能的可追溯性远未解决。它不直接是 agent 论文，但对法律、金融、医学等高风险 RAG/文档 agent 非常相关。

开源发布

• CiteVQA：可信文档智能的 evidence attribution benchmark，仓库见 GitHub。
• NudgeRL：面向 RLVR 的 strategy-guided exploration，代码见 GitHub。
• MMSkills：把公开交互轨迹转成可复用的多模态过程技能包，用于 GUI/game visual agents；方向有趣，但今天未列入正文重点，论文见 arXiv。
• HarnessAudit：agent harness 轨迹安全审计框架，值得跟踪其 benchmark 和代码后续成熟度，论文见 arXiv。

今日取舍

我跳过了一些看起来更偏应用或与 Fred 当前兴趣距离较远的工作，例如实时换装视频生成、遥感变化检测、一般机器人 dexterous benchmark 等；也跳过了已在前几天记录过的综述和 Lighthouse Attention。今天的主题更集中在：agent 不应只扩大 rollout 或堆推理提示，而要让过程中的状态、证据、探索和权限约束变成可审计、可学习的结构。