AI Papers, June 3
今天的候选里 Agent 相关论文很多，但真正值得花时间的主要集中在三条线：开放式 computer/web use 的在线 RL、把状态/记忆从模型上下文中结构化出来，以及用可检测信号控制推理与搜索计算量。下面只选了 7 篇；若只读两篇，优先看 OpenWebRL 和 Harness-1。
必读
OpenWebRL: Demystifying Online Multi-turn Reinforcement Learning for Visual Web Agents
工作简介： 这篇提出 OpenWebRL，一个面向真实网站的视觉 Web Agent 在线多轮 RL 训练框架，覆盖 live-browser 基础设施、SFT 初始化、多模态上下文管理、轨迹级成功判定和多轮 policy optimization。作者用 0.4K 初始化轨迹和 2.2K 开放式 RL 任务训练出 OpenWebRL-4B，在 Online-Mind2Web 达到 67.0%、DeepShop 达到 64.0%，超过同级开放模型，并接近部分闭源 CUA 系统。
简评： 这是今天最值得看的工作，因为它直接触及 Fred 关心的轨迹级训练、真实环境交互、成功判定和开源可复现 Web Agent。局限是 benchmark 成绩仍依赖作者的环境与 judge 设计，真实开放 Web 的安全、漂移和长期可靠性还需要更多外部复现；但“少量示范 + 在线 RL”的路线很有参考价值。
Harness-1: Reinforcement Learning for Search Agents with State-Externalizing Harnesses
工作简介： Harness-1 把 search agent 的候选池、证据链接、验证记录、去重观察、预算感知上下文渲染等“可恢复状态”交给环境侧 harness 管理，让模型只负责语义决策：搜什么、保留什么、验证什么、何时停止。作者训练了一个 20B retrieval subagent，在 8 个 web/finance/patent/multi-hop QA 检索 benchmark 上平均 curated recall 达到 0.730，比下一强开放 search subagent 高 11.4 个点。
简评： 这篇的关键贡献不是又做一个 search agent，而是清楚地区分“策略学习”和“例行状态管理”，这对长程 Agent 可靠性、可审计性和停止标准都很重要。它也和 Fred 对 agent harness、trajectory-level analysis 的兴趣高度相关；需要注意的是结果指标偏 curated recall，最终答案质量和端到端研究任务收益还要进一步验证。
值得关注
MCP-Persona: Benchmarking LLM Agents on Real-World Personal Applications via Environment Simulation
工作简介： MCP-Persona 针对 MCP 工具生态中的个人应用场景构建 benchmark，覆盖 Reddit、小红书、飞书、Slack 等真实风格应用，通过环境模拟评估 Agent 对个性化账户/本地数据库工具的使用能力。实验显示当前 SOTA agents 在这类个人化工具调用中仍明显吃力，项目地址见 GitHub。
简评： MCP 正在成为 Agent 接工具的事实接口之一，但评测还多停留在通用信息查询；这篇把问题推向“个人上下文 + 多工具 + 真实应用约束”，方向正确。它的主要价值在 benchmark 和环境设计，方法创新较少；是否能成为标准，还取决于任务质量、隐私建模和后续社区采用。
Joint Agent Memory and Exploration Learning via Novelty Signals
工作简介： 论文提出 JAMEL，把 agentic memory 与 exploration policy 联合训练：用 GUI 环境中的 deterministic/persistent novelty signals（如代码覆盖率）作为无标注监督，训练压缩交互历史的潜在记忆，并让探索策略利用记忆区分“已尝试”和“未见”行为。实验显示它能泛化到未见环境，在减少 token 消耗的同时达到接近闭源模型的探索深度；代码见 GitHub。
简评： 这篇有一个漂亮的闭环：探索需要记忆，探索产生的新颖性信号又能训练记忆。它比单纯堆长上下文更接近可扩展 Agent 记忆机制；但 novelty signal 在 GUI/code coverage 中比较自然，迁移到开放 Web、研究任务或社交工具时如何定义仍是难点。
FineVerify: Scaling Test-Time Compute with Fine-Grained Self-Verification for Agentic Search
工作简介： FineVerify 面向 agentic search 的 test-time scaling：先把问题拆成可检查的子问题，再对多条采样轨迹逐项验证，按聚合分数选择候选答案。作者在 4 个 agentic search benchmark、2 个模型上报告稳定提升；只采样 4 条轨迹时，GPT-5-mini 平均提升 8.2 个 accuracy points，代码与数据见 GitHub。
简评： 它把“多采样 + 选择”从粗粒度答案打分变成了可解释的局部验证，对复杂搜索任务很实用，也利于审计失败。新意不在 verification 本身，而在细粒度分解和选择准则；风险是子问题生成质量会成为瓶颈，且自验证仍可能继承模型自己的盲点。
Multi-Agent Computer Use
工作简介： 这篇把 Computer Use Agent 从单串行 agent 扩展到 manager + parallel subagents 的多 Agent 结构：manager 将任务分解为 DAG，维护依赖和中间发现，并根据新信息增删改任务节点。实验在 OSWorld、Online-Mind2Web、WebTailBench、Odysseys 等 desktop/web benchmark 上，相比强单 Agent baseline 提升 3.4–25.5%，并在长程任务上缩短 wall-clock time。
简评： 论文抓住了 CUA 的现实瓶颈：长程任务不仅需要更聪明的模型，也需要并行执行、信息汇总和持续重规划。它很适合作为多 Agent CUA 系统设计参考；但多 Agent 结构也会引入协调开销、错误传播和评价归因问题，需要结合成本/可靠性一起看。
Unveiling the Entropy Dynamics of Chain-of-Thought Reasoning
工作简介： 论文分析 CoT 生成中的 entropy dynamics，提出一个从探索性的 Uncertainty Region 到收敛性的 Confidence Region 的两阶段结构；Confidence Region 中答案更稳定可靠，但也产生大量冗余 token。作者把 Confidence Region 检测建模为 sequential change-point detection，并用 CUSUM 做训练-free 推理控制，实现 early exit 和 CUSUM-weighted voting。
简评： 这篇直接对应 Fred 关心的 stopping criteria/reliability：它试图用统计变化点检测，而不是启发式长度或模型自评，来判断推理何时“已经收敛”。结果还需在更多模型和真实 Agent 轨迹上验证，但把 CoT 控制问题转成在线统计检测，是一个值得跟进的数学化方向。
开源发布
- OpenWebRL：承诺释放训练数据、模型和代码，用于真实网站视觉 Web Agent 的在线多轮 RL。
- JAMEL：开源 agent memory + novelty-driven exploration 框架：github.com/MobileLLM/JAMEL。
- Harness-1：开源状态外置 search harness 与 RL search subagent：github.com/pat-jj/harness-1。
- FineVerify：开源细粒度 self-verification 的代码和数据：github.com/XuZhao0/fineverify。
- MCP-Persona：开源个人应用 MCP Agent benchmark：github.com/wwh0411/MCP-Persona。
今天略过但可留意
SVI-Bench 和 World Models survey 看起来信息量大，但一个更偏大规模视频 benchmark 工程，另一个是综述，今天不放入核心阅读。PaW（policy/world-model co-training）方向不错，但摘要层面还缺少足够细节和开源信号；若后续有代码或更强复现实验，再单独跟进。