AI Papers, June 9

今天值得看的工作不多，但有几篇正好落在 agent 可靠性、轨迹级学习、长期记忆与概率推理这些主线上。整体判断：真正有研究启发的是“如何从失败/成功轨迹中抽象可迁移经验”，以及“如何评测 agent 在长期上下文、工具异常和随机分布上的真实能力”。

必读

CORE: Contrastive Reflection Enables Rapid Improvements in Reasoning

工作简介： 这篇论文提出 Contrastive Reflection（CORE）：不更新模型权重，而是比较成功与失败的 reasoning traces，自动归纳出短的自然语言“insights”，再把这些抽象策略用于后续推理。作者在四类推理任务上与 GRPO、GEPA、episodic RAG、MemRL 等方法比较，强调在很少训练样本和 rollout 预算下也能快速提升。

简评： 这项工作很贴近 trajectory-level analysis：它不是简单复用历史轨迹，而是从成败对比中蒸馏可解释的中间规律。局限是仍依赖可验证任务和轨迹质量，但“把轨迹差异压缩成抽象 insight”比单纯堆 memory 或 RL rollout 更有研究味道。

SubtleMemory: A Benchmark for Fine-Grained Relational Memory Discrimination in Long-Horizon AI Agents

工作简介： SubtleMemory 针对长期运行 AI assistant 的记忆关系辨析能力建 benchmark：在长交互历史里嵌入互补、细微差异或冲突的 memory variants，要求 agent 后续查询时恢复分布式关系结构。论文评测了 standalone memory systems、Claw-style 原生记忆 agent 和插件记忆 agent，并拆分诊断 preservation、retrieval、downstream reasoning 三个阶段。

简评： 这比“能不能 recall 某条记忆”的评测更接近真实长期助手问题：关键不是记住单点事实，而是处理相似、演化、矛盾记忆之间的关系。对 Fred 关心的 agent memory reliability 很有价值，尤其可作为未来设计 stopping/verification 或 memory conflict resolution 的测试床。

值得关注

When Tools Fail: Benchmarking Dynamic Replanning and Anomaly Recovery in LLM Agents

工作简介： 论文提出 ToolMaze，用 DAG 拓扑复杂度和四类工具扰动（显式/隐式、暂时/永久）来评测 tool-integrated reasoning agent 在工具失败时的重规划能力。实验发现隐式语义失败尤其致命，Perturbation Recovery Rate 大幅下降，复杂拓扑会把 agent 困在无效试错循环中；代码见 GitHub。

简评： 这是很实用的 agent reliability benchmark，因为现实工具调用很少是 clean happy path。尤其值得注意的是作者区分“基本任务执行能力”和“异常恢复能力”，并指出后者随模型规模提升得更慢，这对 agent 系统设计和监控很关键。

UnpredictaBench: A Benchmark for Evaluating Distributional Randomness in LLMs

工作简介： UnpredictaBench 测试 LLM 能否从目标分布中生成校准样本，而不只是给出多样化文本。它包含 448 个问题，覆盖经典统计分布、随机程序诱导分布和自然语言随机过程，并用基于 Kolmogorov–Smirnov test 的 KS@N 指标衡量模型样本与真实分布是否接近。

简评： 这篇对“LLM 作为仿真体/经济主体/复杂系统替身”的可靠性有直接警示：模型会产生看似合理但分布坍缩的样本。它和 Fred 关注的概率推理、distributional reasoning 很相关；缺点是任务仍偏简化，但作为基础能力探针非常合适。

Reinforcement Learning from Rich Feedback with Distributional DAgger

工作简介： 论文研究如何用 execution traces、tool outputs、expert corrections、self-evaluations 等 richer feedback 替代单 bit 正误奖励，并提出 distributional DAgger / DistIL。方法用 forward cross-entropy 学习专家在当前 policy 访问状态上的分布，给出单调策略改进和 regret 方面的理论保证，并在科学推理、代码和数学任务上优于 RLVR 及自蒸馏基线。

简评： 这篇的优点是把 LLM reasoning RL 放回 imitation learning / online learning 的数学框架中，而不是只报告经验调参。若理论假设能在真实 agent tool-use 场景中站住，它可能成为“用丰富过程反馈做 credit assignment”的更稳健路线。

OpenSkill: Open-World Self-Evolution for LLM Agents

工作简介： OpenSkill 研究没有 curated skills、成功轨迹或 verifier signal 时，agent 如何在部署后自我进化。框架从文档、代码仓库和网页中获取 grounded knowledge 与 verification anchors，合成可迁移技能，并在自建的 virtual tasks 上练习与修正，最后只在目标任务上评估。

简评： 这篇抓住了 self-evolving agents 的一个核心难点：不仅要学技能，还要先构造自己的监督信号。摘要声称 verifier 在未接触 ground truth 的情况下仍能对齐真实结果，这一点很值得细读；但也需要警惕 benchmark 是否足够防止 web/doc leakage 或 anchor 选择偏差。

Thinking with Imagination: Agentic Visual Spatial Reasoning with World Simulators

工作简介： 论文提出 Astra，把 RL 训练的 VLM policy（Astra-VL）和基于 Bagel 的 world simulator（Astra-WM）耦合，让模型在空间推理时按需生成新视角观测。训练中加入 view consistency tuning，并用 simulator-in-the-loop 的两阶段 RL 课程学习何时、从哪里、如何“想象”新证据。

简评： 这项工作有意思之处在于把 world model 当作推理过程中的工具，而不是离线生成器；它直接触及“agent 何时应该调用昂贵想象/模拟工具”的 stopping 与 tool-use policy 问题。当前提升幅度不算惊人，但方向比单纯扩展 VLM benchmark 更有系统意义。

开源发布

dots.tts Technical Report

dots.tts 是一个 2B 参数的连续自回归 TTS foundation model，使用 AudioVAE 构建连续语音潜空间、full-history conditioning 的 flow-matching head 维持长程一致性，并用 reward-free self-corrective post-training 提升鲁棒性。作者发布训练/推理代码、预训练与蒸馏 checkpoint，Apache 2.0 license；摘要报告其在 Seed-TTS-Eval 上达到开源 SOTA，并通过 CFG-aware MeanFlow distillation 支持低延迟流式生成。

这不是 Fred 主线里最重要的研究论文，但作为开源语音模型发布值得记录：它可能影响 voice agent、实时交互和多模态 assistant 的工程底座。若后续要做中文语音交互或低延迟 TTS，可以关注其实际部署质量与许可证便利性。

今天略过但可留意

AutoTool、LayerRoute、Critic-R、PaperFlow 等工作各有应用价值，但从摘要看更偏已有范式的工程组合或领域化扩展，今天不作为重点展开。DuMate-DeepResearch 昨天已经记录过，本次跳过避免重复。