AI Papers, June 2

今天的候选里没有单篇“范式级”突破，但有几篇非常贴近 agent reliability：如何知道该不该搜、何时停止思考、怎样复用过往轨迹，以及如何把检索环境从黑盒 retriever 变成可执行交互对象。

必读

SAAS: Self-Aware Reinforcement Learning for Over-Search Mitigation in Agentic Search

工作简介： 这篇论文针对 agentic search 中常见的 over-search：模型明明已有足够内部知识或证据，却继续调用搜索工具。SAAS 通过对比 search-disabled 与 search-enabled rollouts 来建模“搜索边界”，再用边界感知的 trajectory-level penalty 和分阶段 RL 训练，让 agent 学会在保持准确率的同时减少不必要搜索；代码已开源：https://github.com/XMUDeepLIT/SAAS。

简评： 这很契合 Fred 关心的停止准则与轨迹级可靠性：它不是简单惩罚工具调用次数，而是试图识别“何时搜索确实改变答案”。局限是边界定义仍依赖当前 rollout 对比，遇到更开放的任务或长程工具链时，边界估计是否稳定还需要更强验证。

GrepSeek: Training Search Agents for Direct Corpus Interaction

工作简介： GrepSeek 不把检索器当作返回 ranked documents 的固定黑盒，而是让搜索 agent 直接对语料发出可执行 shell 命令来寻找、过滤和组合证据。训练上先用 answer-aware Tutor 与 answer-blind Planner 构造可验证、因果上更扎实的搜索轨迹，再用 GRPO 通过真实语料交互优化策略，并加入 sharded-parallel execution engine 加速命令式检索。

简评： 这篇的价值在于把 retrieval 看成环境交互问题，轨迹可审计、证据路径更具体，和 Fred 对 agent harness、trajectory analysis 的兴趣高度相关。它也诚实指出 lexical command interaction 在表面形式变化大的查询上会受限，因此更像是对现有 dense/sparse retrieval 的补充，而不是替代。

值得关注

ExpGraph: Model-Agnostic Experience Learning with Graph-Structured Memory for LLM Agents

工作简介： ExpGraph 面向“agent 每次从零做题”的问题，把历史轨迹总结成可复用技能与失败教训，并组织成自演化的 experience graph。系统用 graph diffusion 与 utility-aware ranking 检索经验，再训练一个轻量 retrieval copilot，根据“有无检索经验时 executor 表现差异”的反馈来学习何时取用记忆。

简评： 它把经验记忆从线性日志推进到图结构，并显式用下游效用来更新检索器，这比单纯 RAG memory 更接近可累积的 agent learning。需要注意的是，摘要中的提升覆盖多种任务，但经验节点的质量、去重、污染和长期漂移仍是决定实用性的核心风险。

Seeing Isn’t Knowing: Do VLMs Know When Not to Answer Spatial Questions (and Why)?

工作简介： 论文提出 SpatialUncertain，用受控设置考察 VLM 在遮挡和视角歧义下是否知道“不该回答”空间问题，以及能否判断需要哪些额外视角来消除歧义。实验发现多种前沿开闭源 VLM 在证据不完整时仍倾向过度自信作答，遮挡下平均准确率约 30%，视角歧义下低于 10%。

简评： 这不是又一个空间推理榜单，而是把 abstention 与 evidence-seeking 纳入评价，非常适合可靠 agent 和主动感知系统。它的启发是：视觉 agent 的失败不只是“看不懂”，还包括不知道当前 observation 是否足够。

AdaptR1: Reinforcement Learning Based Adaptive Interleaved Thinking in Multi-hop Question Answering

工作简介： AdaptR1 研究 multi-hop QA 中的 over-thinking，不再对整条 query 一次性决定是否推理，而是在每个中间步骤动态分配 thinking budget。方法用纯 RL、quality-gated efficiency reward 训练，在 Graph-R1 设置下显著减少 think tokens，同时保持或提升性能。

简评： 它和 SAAS 形成一组有意思的对应：一个管“何时搜”，一个管“何时想”。摘要里关于 overthinking 主要发生在初始规划阶段的分析值得关注，因为这可能指向更细粒度的 planning-time stopping criteria。

Retrieval, Reward, and Training Protocols: What Matters in Training Search Agents?

工作简介： 这是一篇 controlled empirical study，拆开比较搜索 agent 训练中的 retrieval corpus、reward design 与 training protocol。作者发现常用 Wikipedia 2018 corpus 的 coverage 问题本身就能带来比算法差异更大的影响，并比较 outcome-based 与 process-based reward、训练数据多样性、off-policy 数据利用和搜索预算缩放。

简评： 这类“拆变量”的论文很重要，因为搜索 agent 领域最近容易把数据、检索器、奖励和训练算法的收益混在一起。结论若稳健，将提醒大家先修数据覆盖和评测协议，再讨论更复杂的过程奖励。

Empirical Characterization of Inference-Time Elicited Probability Transformations in Large Language Models

工作简介： 论文研究 CoT、自我修正、RAG、verifier-guided revision 等 inference-time procedure 如何改变模型对候选答案的概率分配。作者在 GPQA Diamond、TheoremQA、MMLU-Pro、ARC-Challenge 等近五千个问题上观察到较稳定的 log-ratio 关系，可用来描述 prompt/evidence 对概率的放大、校准和传播。

简评： 这篇偏数学与经验刻画，不是提出新 agent 系统，但对 Fred 关心的 probabilistic reasoning 很有价值：它给 inference-time reasoning pipeline 提供了一个可量化的 probability transformation 视角。需要谨慎的是，这更像描述性规律而非机制解释，是否能用于设计更可靠的推理控制器还要看后续工作。

开源发布

Mellum2 Technical Report

工作简介： Mellum 2 是 JetBrains 系的软件工程向开源权重 12B MoE 模型，每 token 激活约 2.5B 参数，覆盖代码生成/编辑、调试、多步推理、tool use、function calling、agentic coding 和对话式编程辅助。报告给出 MoE、GQA、Sliding Window Attention、Multi-Token Prediction、10.6T tokens 预训练、128K context 扩展、SFT+RLVR 后训练等配方，并发布 base、instruct、thinking 版本，Apache 2.0。

简评： 它的重要性更多在“可用开源 coding/agentic model release”而非研究新思想：小激活参数量、长上下文和 thinking 版本对本地 coding agent 很实用。值得后续看真实 IDE/agent harness 中的延迟、工具调用稳定性和长程编辑表现，而不仅是离线 benchmark。

COLLEAGUE.SKILL: Automated AI Skill Generation via Expert Knowledge Distillation

工作简介： COLLEAGUE.SKILL 将某个人或角色留下的异构材料蒸馏成可检查、可修正、可版本化、可安装的 agent skill package，分为 capability track 与 bounded behavior track。系统强调技能包的 artifact contract、自然语言反馈更新、rollback、跨 host 安装和受控分发；摘要称其开源仓库已有较高关注度。

简评： 这类“person-grounded skills”贴近 agent memory/skill packaging 的工程方向，价值在于把隐式 persona prompt 和散乱记忆变成可审计制品。不过研究新意相对工程化，关键问题会是蒸馏正确性、隐私边界、授权与技能漂移治理。