AI Papers, May 24

今天没有那种“立刻改变路线图”的基础模型发布，但有几篇很贴近 Fred 关注点的工作：一类在问智能体如何编排、何时规划、如何利用等待时间；另一类在把科学发现、药物设计、人格判断等高风险任务做成更可检验的评测。

必读

Forecasting Scientific Progress with Artificial Intelligence

工作简介： 这篇论文提出 CUSP（Cutoff-conditioned Unseen Scientific Progress），用 4,760 个跨学科科学事件来评估 AI 是否能在受控知识截断下预测科学进展，包括可行性判断、机制推理、方案生成和时间预测。实验发现，当前前沿模型能识别“看起来合理”的研究方向，但很难可靠判断哪些进展会真正发生、何时发生，并且存在系统性过度自信。

简评： 这比普通“AI for Science”benchmark 更有价值，因为它把问题从事后解释推进到前瞻预测与不确定性校准。结论也相当冷静：模型拥有先验知识并不等于具备科学进展的可靠预测能力，对 Fred 关心的可靠性、停止标准和科学智能体评估很相关。

Maestro: Reinforcement Learning to Orchestrate Hierarchical Model-Skill Ensembles

工作简介： Maestro 把多模型、多技能智能体重写为一个序贯决策问题：一个轻量 orchestrator 在层级模型—技能注册表中决定调用哪个专家、哪项技能，以及何时停止。作者用 outcome-based RL 训练策略，在数学推理、图表理解、高分辨率感知和领域任务等 10 个多模态 benchmark 上测试，并报告 4B orchestrator 可动态组合冻结专家模型与技能库。

简评： 这篇的方向非常重要：它不是继续训练一个“全能模型”，而是学习调度异构能力，这更接近长期可扩展的 agent architecture。不过摘要中的“超过 GPT-5 / Gemini-2.5-Pro”需要谨慎看待，关键应看评测设置、专家库成本和是否存在 benchmark-specific routing 优势。

值得关注

Perception or Prejudice: Can MLLMs Go Beyond First Impressions of Personality?

工作简介： 论文提出 Grounded Personality Reasoning（GPR）任务和 MM-OCEAN 数据集，要求多模态模型不仅预测 Big Five 人格分数，还要把评分锚定到视频中的可观察行为证据。作者评测 27 个 MLLM，并提出 Prejudice Rate、Confabulation Rate、Integration-failure Rate、Holistic-grounding Rate 等样本级失败模式指标。

简评： 它的亮点不是人格识别本身，而是把“答对”与“基于正确证据答对”分开评估；这和 CoT faithfulness、evidence grounding、trajectory-level reliability 是同一个问题族。局限是社会人格判断本身带有规范与标注偏差，指标设计再好也不能自动消除任务层面的伦理风险。

IdleSpec: Exploiting Idle Time via Speculative Planning for LLM Agents

工作简介： IdleSpec 针对工具调用型智能体的等待时间：当 agent 等待环境 observation 或代码执行结果时，模型利用这段 idle time 生成候选计划，等真实 observation 返回后再聚合这些计划指导下一步。方法在 GAIA、FRAMES 和 MLE-Bench 等场景中测试，报告在几乎不增加端到端延迟的情况下提升任务表现。

简评： 这是很实用的 agent inference idea：把不可避免的 I/O latency 转化为 speculative planning budget。真正值得追问的是，在错误先验计划很多时，聚合机制是否会造成 anchoring，以及它是否能和更严格的停止/回滚机制结合。

SMDD-Bench: Can LLMs Solve Real-World Small Molecule Drug Design Tasks?

工作简介： SMDD-Bench 是一个面向小分子药物设计的长程、多轮 agent benchmark，包含 502 个保证可解的任务实例，覆盖 pharmacophore identification、interaction point discovery、scaffold hopping、lead optimization 和 fragment assembly。任务跨 102 个蛋白靶点，要求模型在有限 oracle calls 下进行化学/生物推理、3D 直觉、工具使用和规划。

简评： 这比单轮科学问答更接近“真实科学 agent”的难度：长程、工具受限、反馈稀疏，而且有明确可解性。当前最强模型也只解出约 40.2%，说明自动药物设计离可靠自治仍很远；它可能成为检验 scientific agents 是否真正会规划的有用压力测试。

LABO: LLM-Accelerated Bayesian Optimization through Broad Exploration and Selective Experimentation

工作简介： LABO 把 LLM 的廉价预测和真实实验观测放进同一个 Bayesian Optimization loop：模型用 LLM 在大空间中广泛探索，再通过 gating criterion 决定何时依赖 LLM、何时花费真实实验预算。作者给出累计 regret bound，并在多类科学优化任务上展示相同实验预算下的样本效率提升。

简评： 这篇贴近 Fred 关注的概率推理与科学发现：重点不是“让 LLM 替代实验”，而是把它当作有偏但廉价的信息源，并用 BO 框架约束其作用。真正价值取决于 LLM 误差是否可校准；如果 gating 失灵，系统可能在错误区域过度探索。

ClinSeekAgent: Automating Multimodal Evidence Seeking for Agentic Clinical Reasoning

工作简介： ClinSeekAgent 从“给定 curated evidence 后回答”转向“主动寻找证据”：agent 根据临床 query 查询医学知识库、浏览原始 EHR、调用影像工具，并不断修正假设，最终整合多模态证据做决策。作者构建 ClinSeek-Bench，并把 evidence-seeking trajectories 蒸馏到较小开源模型 ClinSeek-35B-A3B。

简评： 这篇的贡献在于把临床推理评测推进到 trajectory 与 evidence acquisition 层面，而不是只测最终问答。医疗场景要求可审计和高可靠，因此需要特别关注证据选择偏差、工具错误传播、以及模型何时应该停止继续检索。

开源发布 / 数据集

TransitLM: A Large-Scale Dataset and Benchmark for Map-Free Transit Route Generation

工作简介： TransitLM 发布超过 1,300 万条中国四城公交路线规划记录，覆盖 120,845 个站点与 13,666 条线路，用于训练和评测不依赖显式地图引擎的端到端公交路线生成。数据集在 HuggingFace 发布，评测代码见 GitHub。

简评： 这不是 Fred 最核心的方向，但作为“结构化规划能力能否从轨迹数据中学出来”的数据集值得记一笔。需要小心的是，map-free 并不等于学到了可泛化交通推理；跨城市、线路变化和异常服务状态才是更硬的测试。

PhysX-Omni: Unified Simulation-Ready Physical 3D Generation for Rigid, Deformable, and Articulated Objects

工作简介： PhysX-Omni 面向可用于仿真的 3D 资产生成，覆盖刚体、可变形物体和 articulated objects，并构建 PhysXVerse 数据集与 PhysX-Bench，评测几何、尺度、材料、affordance、运动学和功能描述等属性。作者强调其资产可服务于 embodied AI、物理仿真和机器人策略学习。

简评： 如果数据与工具链开放充分，这类 simulation-ready asset generation 会影响 embodied agent 的训练基础设施。它目前更像系统与数据工程推进，理论新意有限，但对“可交互世界模型/仿真环境”方向有潜在价值。

今天跳过的内容

若干看起来很强的工作（如 DelTA、ACC、Gated DeltaNet-2、π-Bench、SCRL）已在前一天日志中记录，今天按去重规则不再重复。其他视觉/音频生成或工程加速论文虽有亮点，但与 Fred 当前优先级相比不如以上几篇值得五分钟阅读。