AI Papers, May 20

今天的候选论文里，真正值得 Fred 花时间看的集中在三条线：Agent 经验/技能如何被治理并复用，推理过程什么时候可以可靠停止，以及如何从完整轨迹而不是最终答案评估可靠性。另有几个偏系统或发布类工作值得记录，但不必都精读。

必读

SkillsVote: Lifecycle Governance of Agent Skills from Collection, Recommendation to Evolution

工作简介： 这篇把长程 LLM agent 的执行轨迹整理成可复用的 “Agent Skills”，并提出 SkillsVote 来覆盖技能收集、推荐、执行后归因和演化更新。系统会给百万级开源技能库做环境需求、质量和可验证性画像；执行后再把轨迹分解到技能相关子任务，只允许有成功证据的可复用发现进入更新。

简评： 这是今天最贴近 Fred 兴趣的一篇：它不是简单“加记忆”，而是在技能库曝光、信用分配、污染控制和持续演化之间做治理闭环。值得重点看它的 evidence-gated update 和 trajectory attribution 是否足够严格，因为这正是 agent 长期运行时最容易失控的地方。

Stop When Reasoning Converges: Semantic-Preserving Early Exit for Reasoning Models

工作简介： 论文提出 PUMA，一个 plug-and-play 的 reasoning early-exit 框架：不用只看答案置信度，而是检测连续推理步骤是否出现语义冗余，再用答案级验证确认是否可以安全停止。在 5 个推理模型和 5 个 benchmark 上，作者报告平均减少 26.2% token，同时保持答案准确率和保留下来的 CoT 质量；代码见 GitHub。

简评： 这篇把“停止准则”从答案层推进到推理轨迹层，方向非常对：overthinking 不是只靠 confidence 就能处理的问题。限制在于 redundancy detector 本身可能受任务和模型风格影响，但作为 reasoning systems 的可靠省算机制，值得精读。

值得关注

Monitoring the Internal Monologue: Probe Trajectories Reveal Reasoning Dynamics

工作简介： 作者在 reasoning model 生成每个 token 时都对隐藏表示做 probe，形成概念概率随推理过程变化的 “probe trajectory”。他们进一步提取波动、趋势、稳态等信号处理特征，在安全和数学数据集上预测未来行为，报告 max-pooling probe trajectory 可显著优于单点静态 probe。

简评： 这篇的价值在于从“看一句 CoT 是否可信”转向“看内部状态轨迹如何演化”，和 Fred 关注的 trajectory-level analysis 高度相关。需要谨慎的是，probe 结果是否能跨模型、跨任务稳定泛化仍待验证，但方法论值得跟进。

Prior Knowledge Makes It Possible: From Sublinear Graph Algorithms to LLM Test-Time Methods

工作简介： 论文把 test-time augmentation、RAG 和工具调用抽象成知识图上的 s-t connectivity：模型的参数知识是一张部分且可能带噪的子图，外部增强是查询真实边的 oracle。核心结果给出了 augmentation 步数的相变：如果先验知识图只是不连通的小组件，寻找路径需要 (\Omega(\sqrt n)) 查询；一旦正确知识密度超过阈值形成 giant component，期望常数次查询就够。

简评： 这是今天最有数学味的一篇，提供了一个解释“为什么有些 RAG/工具调用很省步，有些却怎么搜都慢”的理论模型。抽象当然很简化，但它把参数知识、外部查询和多步推理成本放在同一张图里分析，对知识图与 test-time reasoning 的研究很有启发。

OProver: A Unified Framework for Agentic Formal Theorem Proving

工作简介： OProver 是一个 Lean 4 中的 agentic formal theorem proving 框架：失败证明会结合检索到的 compiler-verified proofs 和 Lean 编译器反馈进行迭代修复。训练流程把 agentic proving、检索记忆、修复轨迹 SFT 和 hard cases RL 串成循环，并构建了含 177 万 Lean statements、686 万验证证明和序列化轨迹的 OProofs。

简评： 这篇把“agent 试错—编译器反馈—记忆检索—训练更新”做成闭环，形式化证明场景又天然可验证，因此比许多泛泛的 agent self-improvement 更可信。可以重点看它的 repair trajectory 数据结构和 RL 使用方式，而不只是 benchmark 排名。

CHI-Bench: Can AI Agents Automate End-to-End, Long-Horizon, Policy-Rich Healthcare Workflows?

工作简介： CHI-Bench 构造了长程医疗运营 workflow benchmark，覆盖 prior authorization、utilization management、care management 等任务；agent 需要在 20 个仿真医疗 app、87 个 MCP tools 和 1290+ 文档规则手册中完成多角色、多方交互的流程。结果显示 30 种 harness/model 配置中，最佳也只解决 28.0% 任务，严格 pass^3 下没有系统超过 20%。

简评： 这篇重要不在医疗本身，而在它逼出了企业级 agent 的真实难点：policy density、role handoff、irreversible workflow 和长会话退化。它对“只看最终成功率”的评测也形成补充，适合作为 agent 可靠性 benchmark 的参考。

Agent Bazaar: Enabling Economic Alignment in Multi-Agent Marketplaces

工作简介： 作者提出 Agent Bazaar，用多 agent 市场模拟评估 “Economic Alignment”：B2C 市场里的算法性不稳定可能导致价格崩溃，C2C 市场里的 Sybil deception 会用多个卖家身份制造柠檬市场。论文评估前沿和开源模型，发现模型通常无法自我调节，并提出 stabilizing firms、skeptical guardians 以及用 REINFORCE++ curriculum 训练的 9B agent。

简评： 这篇把 agent alignment 从单体安全扩展到系统性经济行为，角度新鲜，也很适合 Fred 对多 agent、因果后果和可靠性的兴趣。缺点是模拟设定的外推性需要细看，但“经济稳定性不是通用能力的副产品”这个结论值得记住。

开源发布 / 系统

AstraFlow: Dataflow-Oriented Reinforcement Learning for Agentic LLMs

工作简介： AstraFlow 把 agentic RL 系统从 trainer-centered control 改成 dataflow-oriented 组件抽象，解耦 rollout services、dataflow management 和 training。它支持多策略协同训练、弹性异构与跨区域计算，在 math、code、search、AgentBench 等 workload 上报告多策略训练时间可加速 2.7x。

简评： 如果 Fred 关心如何真正训练 tool-use / agentic LLM，这类系统工作比单个算法技巧更有长期价值。它的贡献更偏基础设施， novelty 不如上面的技能治理和停止准则，但值得留意代码成熟度。

LongLive-2.0: An NVFP4 Parallel Infrastructure for Long Video Generation

LongLive-2.0 是 NVIDIA 相关的长视频生成训练/推理基础设施，主打 NVFP4、sequence-parallel AR training、KV cache 量化和流式 VAE decoding；作者报告训练最高 2.15x、推理 1.84x 加速，GitHub 热度也很高。它偏视频生成系统，不是 Fred 今日主线，但作为开源系统发布值得记录。

Lance: Unified Multimodal Modeling by Multi-Task Synergy

Lance 是字节相关的轻量级 native unified multimodal model，支持图像/视频理解、生成和编辑，采用 dual-stream MoE、统一 interleaved multimodal sequence 和 staged multi-task training；项目页在 lance-project.github.io。这是多模态统一模型发布，适合快速浏览结果和开源程度，不建议优先精读。

今日取舍

今天没有必要把所有 “agentic” 标题都收进来：例如若干 survey、视觉生成 closed-loop、垂直医疗诊断 agent 和竞赛编程 agent 看起来相关，但要么重复已有方向，要么更像应用包装。真正值得跟进的是那些把轨迹、治理、停止、验证或理论成本说清楚的工作。