AI Papers, June 10

今天的候选里没有特别多“范式级”突破，但有几篇很贴近 Fred 关心的方向：agent 评测开始更强调经济价值与长程任务；多智能体协调、轨迹级信用分配、conformal stopping 都在尝试把经验性的 agent engineering 往更可分析的形式推进。

必读

Agents’ Last Exam

工作简介： 这篇文章提出 Agents’ Last Exam（ALE），一个面向 AI agents 的长程真实工作流评测，覆盖 O*NET / SOC 2018 中非体力行业的 13 个产业簇、55 个子领域和 1000+ 可验证任务。作者强调现有 benchmark 与经济上有意义的部署之间存在断层，并报告当前主流 agent harness 与 backbone 在最难层级上的平均 full pass rate 只有 2.6%。

简评： 这类 benchmark 的价值不在于又多一个 leaderboard，而在于把“agent 是否真的能做事”从 toy tasks 拉向 GDP-relevant workflows；如果 ALE 的任务质量和可验证性经得起社区检验，它会成为评估长程 agent 可靠性的一个重要参照。需要警惕的是 living benchmark 容易出现任务组成漂移、专家标注一致性和商业工作流代表性问题，后续应重点看其可复现协议与失败轨迹分析是否足够公开。

DICE: Entropy-Regularized Equilibrium Selection for Stable Multi-Agent LLM Coordination

工作简介： 这篇工作把多智能体 LLM 系统形式化为 discounted incomplete-information Markov games，认为很多 MAS 不稳定的根源是“均衡选择”没有被明确定义，导致 convention oscillation 和 drift。作者引入 Heterogeneous Quantal Response Equilibrium（HQRE）作为熵正则化的目标，并给出 prompt-control 版 DICE-PC 和参数高效微调版 DICE-FT，在 11 个 benchmark 上改善 accuracy-cost trade-off。

简评： 它比常见“多几个 agent 投票/辩论”的经验式方案更有数学骨架，直接命中 Fred 关心的多智能体可靠性与概率/博弈论基础。局限是形式化假设（例如 monotonicity、温度设定、可测稳定诊断）是否能覆盖真实开放式 agent workflow 还不确定，但这是今天最值得细读的方法论论文之一。

值得关注

Bayesian-Agent: Posterior-Guided Skill Evolution for LLM Agent Harnesses

工作简介： Bayesian-Agent 把 agent 的 reusable skills / SOPs 看作关于“冻结模型在某 prompt、context、harness 条件下是否会成功”的假设，并用验证过的轨迹证据维护 feature-conditioned categorical posterior。系统根据 posterior 触发 patch、split、compress、retire、explore 等可审计动作，并在 SOP-Bench、Lifelong AgentBench、RealFin-Bench 上报告增量修复收益；代码见 GitHub。

简评： 这篇很贴近“agent 技能演化不应只是堆 prompt，而应是带不确定性的 harness optimization”这个方向，优点是把轨迹证据、技能生命周期和审计性放在同一框架下。实验提升看起来可观，但 benchmark 覆盖仍偏 harness 内部优化，真正难点会是 posterior 特征设计、证据独立性假设以及失败样本稀疏时的校准。

PBSD: Privileged Bayesian Self-Distillation for Long-Horizon Credit Assignment

工作简介： PBSD 针对长程 agent 任务中只有最终 outcome reward 时的信用分配问题，用 verified answer 的 posterior-to-prior probability ratio 衡量轨迹质量，再通过 Bayes 规则把它转化为普通 student 与 answer-conditioned privileged teacher 之间的 likelihood ratio。自回归分解后，这个 Bayesian evidence score 可以形成 turn-level 信号，用于判断中间搜索或推理步骤是在支持还是损害最终答案。

简评： 这篇的吸引力在于把“哪一步贡献了最终成功”从启发式 reward shaping 推向可解释的贝叶斯证据分解，和 Fred 对 trajectory-level analysis / probabilistic reasoning 的兴趣高度重合。需要进一步检查的是 privileged teacher 的构造是否引入答案泄漏式偏差，以及 turn-level 分数在复杂工具调用场景中是否真的稳定。

Trajectory-Refined Distillation

工作简介： 这篇研究 on-policy distillation 中的 prefix failure：学生 rollout 的早期错误前缀会让 token-level teacher supervision 变成混合且碎片化的梯度信号。作者提出 Trajectory-Refined Distillation（TRD），先在 teacher 指导下对学生轨迹进行 trajectory-level correction，再进行蒸馏，从源头修正坏前缀，并可扩展到 on-policy self-distillation；代码见 GitHub。

简评： TRD 的核心判断很合理：如果错误是轨迹结构性的，只在 token loss 上截断或加权往往治标不治本。它与最近一批 OPD/RLVR 信用分配论文形成呼应，值得看其实验中“修正轨迹仍在 on-policy support 内”的操作定义是否足够严格。

Inference-Time Conformal Reasoning with Valid Factuality Control for Large Language Models

工作简介： 这篇把多步推理视为由中间 claim 构成的 DAG，认为 factuality uncertainty 是结构性的，而不是节点错误率的简单累积。作者提出 ITCR，在生成推理图时引入 conformal prediction：学习图级 factuality uncertainty，校准 non-conformity threshold，并用它决定何时停止生成，从而给出覆盖率保证。

简评： 这是今天最贴近“stopping criteria / reliability”的论文之一，尤其有价值的是把 conformal guarantee 放到 inference-time generation，而不是事后剪枝。实际可用性取决于 claim graph 的抽取质量和校准集分布稳定性；但作为可靠推理的形式化接口，它值得跟踪。

FlashMemory-DeepSeek-V4: Lightning Index Ultra-Long Context via Lookahead Sparse Attention

工作简介： FlashMemory-DeepSeek-V4 提出 Lookahead Sparse Attention（LSA）：不在解码时被动保留完整 KV cache，而是用 Neural Memory Indexer 预测未来 query-critical KV chunks，只把关键片段留在 GPU memory。作者采用 backbone-free 的 decoupled training，把 indexer 训练成 dual-encoder 检索模型，并在 LongBench-v2、LongMemEval、RULER 等长上下文评测上报告平均只需 13.5% 的物理 KV cache，准确率基本持平或略升。

简评： 如果结果可靠，这对 ultra-long context serving 和长程 agent 的成本结构很有意义：记忆索引器成为 attention 的主动调度层，而不只是压缩技巧。需要关注的是它依赖 DeepSeek-V4 架构与训练数据的程度，以及在 adversarial retrieval、跨任务分布漂移和多轮 agent 记忆访问中是否仍然稳健。

End-to-End Context Compression at Scale

工作简介： 这篇重新审视 encoder-decoder 式上下文压缩，预训练多种架构后推出 Latent Context Language Models（LCLMs）：用 0.6B encoder 将长 token 序列压成 latent embeddings，再由 4B decoder 消费，支持 1:4、1:8、1:16 压缩比。作者称 LCLMs 在通用任务性能、压缩速度和峰值显存上推进 Pareto frontier，并可作为长程 agent “先 skim 压缩上下文、再按需展开片段”的 backbone。

简评： 相比单纯 KV cache 剪枝，这条路线更像是为 agentic memory 设计可学习的 latent interface，长期潜力不小。短期要谨慎看待：encoder-decoder latent compression 是否会丢掉推理所需的细粒度证据、如何与现有推理引擎集成、以及压缩训练成本是否抵消服务端收益，都是关键问题。

开源发布

今天没有单独值得列为“重大开源发布”的模型或框架。上面几篇中 Bayesian-Agent、TRD、FlashMemory 与 LWS 等附带代码或项目页，但更像论文配套实现；若后续出现高质量社区复现或真正可用的 release，再单独跟进。