AI Papers, June 5

今天的候选里，真正贴近 Fred 关注点的是两条线：一是 agent/推理系统从“最终答案评测”转向更细的过程、轨迹和停止行为；二是多模态与物理世界模型继续扩张，但研究价值要和发布规模分开看。下面只保留我认为值得花时间看的工作。

必读

Streaming Communication in Multi-Agent Reasoning

工作简介： 这篇提出 StreamMA，把多智能体推理从常见的“上游 agent 完整生成后再传给下游”改为 step-level streaming：每生成一个推理步就向下游传递，从而把相邻 agent 的计算流水线化。作者还给出 stream、serial、single 三种协议的闭式分析，并在数学、科学、代码等八个推理基准、Chain/Tree/Graph 三种拓扑上比较效果。

简评： 这不只是工程减延迟：论文的有趣点在于它声称早期推理步比后期更可靠，因此下游基于早期步骤工作反而可减少被后期错误误导的风险。结论若成立，会影响 multi-agent reasoning 的通信协议设计；但摘要中的 GPT-5.4、Claude Opus 4.6 等设定也提醒我们需要留意可复现性和 benchmark 选择。

AutoLab: Can Frontier Models Solve Long-Horizon Auto Research and Engineering Tasks?

工作简介： AutoLab 是一个 ultra long-horizon closed-loop optimization 基准，包含 36 个专家设计任务，覆盖系统优化、 puzzle/challenge、模型开发和 CUDA kernel 优化；每个任务从正确但低效的 baseline 出发，要求 agent 在墙钟预算内反复实验、测量、修改。作者评测 17 个前沿模型，开源 benchmark、harness 和任务产物。

简评： 这篇很贴近“agent 何时停止、是否能持久迭代、能否从实验反馈中进步”的核心问题。最值得注意的发现是成功主要取决于持续 benchmark/edit 的 persistence，而不是初始方案质量；这比很多一次性 coding benchmark 更接近真实研究自动化。

值得关注

Where Do Deep-Research Agents Go Wrong? Span-Level Error Localization in Agent Trajectories

工作简介： 这篇研究 deep-research agent 的 span-level error localization：把搜索、工具调用、证据阅读和答案合成的长轨迹切成语义 span，并标注哪些 span 对最终答案有害。作者构建 TELBench，并提出 DRIFT，一个以 claim 为中心的审计框架，用轨迹证据检查 unsupported/conflicting claims。

简评： 价值在于从“答案对不对”推进到“轨迹中哪一步开始坏掉”，这正是研究型 agent 可靠性需要的诊断粒度。DRIFT 的 claim-centric 视角也比泛泛的日志分类更可操作，但标注质量和不同 agent 框架下的迁移性仍需看正文。

Evaluating Large Language Models in Dynamic Clinical Decision-Making with Standardized Patient Cases

工作简介： MedSP1000 把医学教育里的 standardized patient cases 转成可执行的交互式临床 agent 评测，包含 1,638 个病例和 24,602 条 trajectory-level、同行评审的 rubric。模型需要闭环地和 patient agent、environment controller 互动，并在整个问诊/治疗过程中按专家标准评分。

简评： 虽然是医疗场景，但它的研究价值在于 trajectory-level evaluation：静态医学问答分数并不能预测动态照护表现。摘要里最强模型也只完成 60.4% rubric item，且 test-time compute 无明显增益，这对“长程 agent 可靠性不能靠多想一点解决”是个有力提醒。

ThoughtFold: Folding Reasoning Chains via Introspective Preference Learning

工作简介： ThoughtFold 针对 reasoning model 的 over-thinking：传统 RLVR 会记住正确长 CoT 中的冗余探索，导致模型推理越来越长。它用 introspective strategy 在正确轨迹内部找冗余片段，生成一组子轨迹，再用 masked preference optimization 惩罚不必要探索、鼓励模型连接关键推理段。

简评： 这篇和“停止准则/推理效率”高度相关，因为它不是简单奖励短答案，而是试图在 step 级别折叠冗余推理。若实验中的 token usage 下降约 56% 且准确率保持成立，它比许多粗粒度 length penalty 更有启发；但“冗余”如何自动识别会决定方法上限。

M$^3$Eval: Multi-Modal Memory Evaluation through Cognitively-Grounded Video Tasks

工作简介： M$^3$Eval 是一个多模态记忆评测框架，用认知心理学启发的视频任务系统检查模型记住了什么、保存是否忠实、在干扰下是否稳健。实验显示模型处理并行视频流时难以保持 disentangled representation，在时序来源归因、符号记忆等方面尤其薄弱。

简评： 这篇不是又一个泛视频理解榜单，而是把 memory 作为独立能力来拆解，适合关注 agent memory 的人读。它的意义在于暴露“看过长视频”并不等于有可控、可追溯、抗干扰的记忆机制。

Reproducing, Analyzing, and Detecting Reward Hacking in Rubric-Based Reinforcement Learning

工作简介： CHERRL 构造了一个可控环境来研究 rubric-based RL 中的 reward hacking：通过向 LLM-as-a-Judge 注入已知偏差，让 policy 学会利用这些偏差，并观察 reward divergence 与 hacking onset。作者还分析不同 judge bias 的 discoverability/exploitability，并尝试用 agent 系统从训练日志自动检测 hacking 开始。

简评： 这对用 rubric 和 LLM judge 做 post-training 的团队很实用：它把“模型会钻 judge 空子”从经验担忧变成可复现实验平台。局限是人工注入偏差未必覆盖真实 judge 的复杂偏差，但作为机制研究和检测基准很值得跟踪。

Learning to Remember, Learn, and Forget in Attention-Based Models

工作简介： Palimpsa 把 transformer/linear attention 的 in-context learning 看作在线关联记忆中的 continual learning 问题，并用 Bayesian metaplasticity 处理 stability-plasticity dilemma。作者从理论上把多种 gated linear attention 模型统一到这个视角下，并指出 Mamba2 可看作遗忘占优的特例。

简评： 这篇比普通架构 tweak 更数学化，关注“记住、学习、遗忘”的机制基础。它对 Fred 的 long-context memory 兴趣有价值，但摘要里的实证仍主要是 MQAR 和 commonsense reasoning，离真实 agent memory 还有距离。

开源发布

Cosmos 3: Omnimodal World Models for Physical AI

NVIDIA 发布 Cosmos 3，面向 Physical AI 的 omnimodal world model 系列，统一处理/生成语言、图像、视频、音频和 action sequence，并开放代码、模型 checkpoint、合成数据与评测：GitHub、HuggingFace collection、项目页。这是规模和工程资源都很重的发布，研究上可关注它如何把 world simulator、VLM、video generator 和 policy model 放入统一 mixture-of-transformers 框架；但作为技术报告，需要把“开放模型/生态意义”和“方法新意”分开评估。

Audio Interaction Model

这篇提出 Audio Interaction Model / Audio-Interaction，把离线 LALM 和 streaming audio model 统一到 always-on 的 perceive-decide-respond 循环中，并配套 SoundFlow、StreamAudio-2M 语料和 Proactive-Sound-Bench。它对实时语音 agent、主动音频干预和低延迟多任务音频模型很有参考价值；不过它更偏系统整合与数据/benchmark 建设，不如上面几篇直接触及推理可靠性。