AI Papers, June 8

今天没有很多“范式级”新论文，但有几篇很贴近 agent 可靠性：Deep Research 的过程可审计与停止准则、agent 自进化中的分布偏移、以及长程记忆压缩的中间质量信号。以下按重要性筛选，宁缺毋滥。

必读

DuMate-DeepResearch: An Auditable Multi-Agent System with Recursive Search and Rubric-Grounded Reasoning

工作简介： 这篇技术报告提出 DuMate-DeepResearch，一个面向复杂开放式研究任务的多 agent Deep Research 系统。系统把任务理解/规划/调度的 Agent Core 与检索、证据获取、报告生成等工具生态解耦，并引入图式动态规划、递归两层 Search Agent，以及基于 rubric 的 test-time optimization，用任务特定评价标准来支撑证据综合与自适应停止。

简评： 它最值得看的点不是榜单 SOTA，而是把“可审计轨迹、递归搜索、rubric-grounded reasoning/stopping”放进同一个工程框架，正中 Fred 关心的长程 agent 可靠性。局限是报告型系统容易受私有平台、benchmark 细节和评测口径影响，最好把它当作架构案例与 failure-control checklist，而不是单纯相信分数。

Meta-Cognitive Memory Policy Optimization for Long-Horizon LLM Agents

工作简介： 论文针对长程 LLM agent 中“递归总结式记忆”逐步丢失关键信息、引入语义噪声的问题，提出用 Belief Entropy 作为自监督代理指标，衡量当前 memory 让模型对潜在任务状态有多不确定。基于这个信号，MMPO 不只用最终任务成功率训练 memory policy，而是对中间摘要质量提供更细粒度的监督，并在长上下文任务中验证其稳定性。

简评： 这是今天最贴近“trajectory-level analysis + stopping/reliability”的工作之一：它把记忆质量从事后成败拆到中间 belief uncertainty，方向比简单压缩或更长上下文更有研究价值。需要留意的是 Belief Entropy 本身仍是模型内生代理信号，能否跨任务、跨模型稳健对应真实状态不确定性，还需要更严格的因果/校准分析。

值得关注

Self-evolving LLM agents with in-distribution Optimization

工作简介： 论文提出 Q-Evolve，用同一批由专家示范与 agent 自生成轨迹构成的 hybrid off-policy 数据，训练 in-distribution critic，再从 advantage 估计中生成 step-wise process rewards，最后进行行为邻近的 policy optimization。实验覆盖 AlfWorld、WebShop 与 ScienceWorld，目标是让稀疏终局奖励下的长程 agent 迭代自进化更稳定。

简评： 这篇的核心价值在于把“过程奖励自动标注”和“策略更新”限制在共享数据分布内，直接回应 self-evolving agent 常见的 distribution shift 与信用分配问题。新意主要在训练范式组合与稳定化设计，理论深度可能有限，但作为 agent RL 工程 recipe 值得跟踪。

The Shadow Price of Reasoning: Economic Perspective on Optimal Budget Allocation for LLMs

工作简介： 论文把 inference-time reasoning token 分配建模为全局约束优化问题，用经济学中的 shadow price 平衡不同 query 的边际推理效用，并提出 CLEAR。它会放弃收益很低或预算下“无偿付能力”的问题，把预算转给接近能力涌现阈值、更多算力可能真正提高准确率的问题。

简评： 这比“每题固定思考 N tokens”更接近真实服务系统，也和停止准则、test-time compute governance 强相关。摘要中的 shifted-surge utility 假设需要实证校准；如果能和不确定性估计、过程验证器结合，会更像可部署的推理资源调度理论。

Discrete-WAM: Unified Discrete Vision-Action Token Editing for World-Policy Learning

工作简介： 这篇面向自动驾驶世界模型，把未来视觉状态与 ego action 对齐为离散 token，并在统一离散 diffusion 框架中联合建模 world modeling、world-action policy 与层级决策 policy。作者强调离散视觉-动作 token 可支持可组合的 causal/counterfactual future reasoning，而不仅是端到端状态到动作映射。

简评： 对 Fred 来说，看点在“世界模型 + 因果反事实推理 + policy”这一组合，而不是自动驾驶应用本身。摘要声称的 counterfactual reasoning 若主要来自可控生成展示，仍需看实验是否真正检验干预语义与决策可靠性。

Closed-Form Spectral Regularization for Multi-Task Model Merging

工作简介： 论文重新分析多任务 model merging 中的 layer-wise quadratic interference minimization，指出常用迭代求解器的作用更像对病态线性逆问题做隐式谱正则，而非单纯优化。基于此，作者提出 SWUDI / SWUDI-A，用闭式谱过滤与 top-K 截断替代大量梯度迭代，在多种文本与多模态 merging benchmark 上匹配或超过现有方法。

简评： 这是比较“数学味”的工程改进：把一个经验上有效但昂贵的迭代过程解释为 spectral regularization，并给出闭式替代。它不直接解决 agent/reasoning，但对模型组合、专家合并和部署成本有实际意义，值得快速阅读方法部分。

Dream.exe: Can Video Generation Models Dream Executable Robot Manipulation?

工作简介： Dream.exe 用机器人操作作为评估视频生成模型物理世界理解的窗口：给定场景图和任务描述，先生成操作视频，再把视频运动转换为机器人轨迹并在物理模拟器中执行。它评估 8 个闭源/开源/机器人相关视频模型，比较视觉质量、轨迹忠实度和真实可执行成功率。

简评： 这个 benchmark 的价值在于把“看起来合理”推进到“能不能执行”，对世界模型评估比纯视觉指标更有约束力。限制也明显：video-to-trajectory 转换与模拟器本身会引入额外误差，但这个方向值得作为 physical grounding evaluation 的参考。

开源发布

LoomVideo: Unifying Multimodal Inputs into Video Generation and Editing

LoomVideo 是一个 5B 统一视频生成/编辑架构，用 MLLM 替换标准文本编码器，并通过 Scale-and-Add conditioning 避免编辑时拼接 source video tokens，从而降低注意力开销。它偏视频生成应用，不是今天的研究主线；但若代码与模型权重完整开放，5B 规模和 5.41x 推理加速对实用视频 foundation model 仍有参考价值。

AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding

AffordanceVLA 把 Which2Act、Where2Act、How2Act 三类 affordance 预测作为 VLA 的中间表示，用对象 grounding、2D affordance map 与 3D 几何推理桥接视觉语言语义和机器人动作。它是一个较完整的 embodied AI 系统发布，适合关注“结构化中间表示是否能提升动作可靠性”的读者快速浏览。