AI Papers, June 13

今天候选论文很多，但真正值得花时间的集中在几个方向：Agent 在动态环境中的记忆更新、潜在推理的可解释训练、长程搜索/计算机使用任务的评测，以及对“多智能体天然更强”这类叙事的反证。另有 MiniMax 发布了面向百万 token 上下文的稀疏注意力与模型/内核，属于工程上值得跟进的开放发布。

必读

EvoArena: Tracking Memory Evolution for Robust LLM Agents in Dynamic Environments

工作简介： 这篇论文提出 EvoArena，用连续环境更新来评测 LLM Agent 在 terminal、software、social preference 等动态场景中的适应能力；同时提出 EvoMem，把记忆表示成结构化 patch/update history，让 Agent 能显式推理“环境如何变化”。实验显示当前 Agent 在 EvoArena 平均准确率只有 39.6%，EvoMem 对 EvoArena、GAIA、LoCoMo 都有一定提升。

简评： 这很贴合 Fred 关注的长期 Agent 可靠性：真实部署中失败往往不是“不知道”，而是“记忆仍停留在旧世界”。EvoMem 的平均增益不大，但把 memory evolution 作为一等评测对象是重要方向，尤其适合和过期记忆检测、trajectory-level failure analysis 结合起来看。

Demystifying Hidden-State Recurrence: Switchable Latent Reasoning with On-Policy Reinforcement Learning

工作简介： 论文研究 latent chain-of-thought / hidden-state recurrence，把推理从可见文本链压缩到连续隐藏状态中；作者提出 SWITCH，让模型用显式边界 token 进入/退出 latent mode，从而让 GRPO 这类 on-policy RL 的 policy ratio 可定义，并能对边界处的隐藏计算做 probe 和因果干预。

简评： 这篇的价值不只在“省 token”，而在把 latent reasoning 变成可训练、可定位、可干预的对象。若结果稳健，它可能为推理模型的 stopping、内部计算审计、以及“什么时候应显式思考/隐式思考”提供更数学化的接口；但目前仍需警惕小规模任务上的机制解释是否能外推到 frontier model。

值得关注

SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning

工作简介： SpatialClaw 是一个 training-free 空间推理 Agent 框架，把 action interface 设计成 stateful Python kernel：VLM 每一步写一个可执行 cell，调用预加载的感知与几何 primitive，并根据中间输出继续调整策略。作者在 20 个 3D/4D 空间推理 benchmark 上测试，报告平均准确率 59.9%，比近期 spatial agent 高 11.2 个点。

简评： 这篇的关键不是又做了一个工具增强 VLM，而是强调“动作接口”本身会限制推理形态：一次性代码、结构化 tool call、交互式 kernel 三者能力不同。对 Agent harness 设计很有启发，不过 benchmark 很分散，真实机器人/开放世界任务中的鲁棒性仍要另看。

FORT-Searcher: Synthesizing Shortcut-Resistant Search Tasks for Training Deep Search Agents

工作简介： 论文指出训练 deep search agent 时，很多看似复杂的问题会被 shortcut 解掉，因此提出 shortcut-aware difficulty 框架，识别 evidence co-coverage、single-clue selectivity、exposed constants、prior-knowledge binding 等风险。FORT 通过实体选择、证据图构造、问题表述和对抗 refine 生成更抗捷径的数据，并用这些轨迹 SFT 出 FORT-Searcher。

简评： 这是对“可验证搜索任务”质量的正面攻击，尤其关注 trajectory signature：solving cost、answer hit time、prior-shortcut rate。它和 Fred 关心的轨迹级分析、训练数据可靠性很相关；最大限制是仍偏数据合成框架，是否能覆盖真实 web/research search 的开放捷径，需要后续验证。

HarnessBridge: Learnable Bidirectional Controller for LLM Agent Harness

工作简介： HarnessBridge 把 Agent harness 做成轻量可学习控制器：observation projection 把原始轨迹压缩成决策相关状态，action projection 把模型动作转换成可执行 transition 或基于轨迹的 rejection。作者在 Terminal-Bench 2.0 和 SWE-bench Verified 上比较，称其能接近或超过手工专用 harness，并减少 token 与轨迹长度。

简评： 这篇把 harness 从“工程外壳”提升为可学习的双向接口，方向很对：长期任务的性能常由 observation/action mediation 决定，而不只是 base model。需要重点看监督数据如何构造，以及 learned harness 是否会引入难审计的 silent correction 或隐藏失败。

The Illusion of Multi-Agent Advantage

工作简介： 论文系统比较自动生成的 multi-agent systems 与 single-agent CoT + self-consistency，在传统推理任务和 BrowseComp-Plus 等交互式多步任务上发现自动 MAS 往往更贵且更差。作者还构造了一个专门含有分解、上下文隔离、并行潜力的诊断数据集，显示专家设计 MAS 才能真正利用多智能体结构。

简评： 这是今天最值得冷静阅读的反叙事论文之一：多 Agent 的优势不是“多几个角色名”自动出现，而依赖明确的任务结构、通信协议与成本治理。它对评测方法也有提醒：若不计 marginal utility of compute，很容易把复杂架构误判为进步。

MaxProof: Scaling Mathematical Proof with Generative-Verifier RL and Population-Level Test-Time Scaling

工作简介： MiniMax 团队提出 MaxProof，把 M3 模型训练成 proof generator、verifier、critique-conditioned repairer，并在测试时进行 population-level candidate proof search、refinement、ranking 和 tournament selection。论文报告在 IMO 2025 得 35/42、USAMO 2026 得 36/42，超过人类金牌阈值。

简评： 数学证明方向继续从“单条 CoT”转向生成器—验证器—修复器—选择器的系统化 test-time scaling。亮点是 generative verifier 强调低 false positive，但这类成绩高度依赖题集、评测协议和 verifier 严格性，建议把它当作 proof-search system 进展，而不是单模型推理能力的简单标尺。

WeaveBench: A Long-Horizon, Real-World Benchmark for Computer-Use Agents with Hybrid Interfaces

工作简介： WeaveBench 提供 114 个真实长程 computer-use 任务，要求 Agent 在同一轨迹中混合 GUI、CLI、代码编辑、浏览器和外部工具。它还提出 trajectory-aware judge，检查交付物、文件、截图、日志和 action trace，并识别伪造视觉证据或 hard-coded metric 等 shortcut 行为。

简评： 这个 benchmark 的价值在于把 CUA 从“单界面操作”推进到真实工作流编排，并且明确使用轨迹级裁判降低 outcome-only grading 的虚高。最好结果只有 41.2% pass rate，说明现有 Agent 离可靠自动化还很远；后续关键是 judge 的可复现性和对不同 runtime 的公平性。

Getting Better at Working With You: Compiling User Corrections into Runtime Enforcement for Coding Agents

工作简介： TRACE 关注一个很实际的问题：用户纠正过 Agent 后，Agent 之后仍会重复违反偏好。它从用户 correction 中抽取原子规则，并编译成 coding-agent runtime 的检查项，要求未来任务完成前通过这些 enforcement checks；在 ClawArena 和 MemoryArena 派生任务上显著降低偏好违规。

简评： 这篇把“记住偏好”变成“运行时强制约束”，比单纯 memory retrieval 更接近可靠系统工程。值得关注的是规则抽取与检查的误报/漏报成本：偏好 enforcement 如果过强，会压制探索；如果过弱，又回到记忆不可靠的问题。

开源发布

MiniMax Sparse Attention / MSA kernel / MiniMax-M3

MiniMax 发布 MiniMax Sparse Attention：在 GQA 基础上用 Index Branch 为每个 GQA group 选择 Top-k KV blocks，Main Branch 做 exact block-sparse attention，并配套 exp-free Top-k 与 KV-outer sparse attention kernel。论文报告在 109B 原生多模态模型上，1M context 下每 token attention compute 降低 28.4x，H800 上 prefill 14.2x、decoding 7.6x 加速；同时公开了推理 kernel 和 MSA 驱动的 MiniMax-M3。对长上下文 Agent、repo-scale reasoning 和持久记忆系统，这是值得跟踪的基础设施进展。

今日总体判断

今天没有特别多“理论上定音”的论文，但有几篇对 Agent 可靠性非常实用：EvoArena 把动态环境和记忆演化放到评测中心，FORT-Searcher 与 WeaveBench 都在强调防 shortcut 的轨迹级评估，HarnessBridge/TRACE 则把 harness 与用户纠正从外围工程推进到可学习或可编译的系统层。整体趋势很清楚：Agent 研究正在从 prompt/role 编排，转向环境、接口、记忆、评测和运行时约束的系统设计。