AI Papers, June 14

今天的候选里，昨天已经记录过的几篇高热度工作（如 MiniMax Sparse Attention、SpatialClaw、EvoArena、FORT-Searcher、WeaveBench、MaxProof）已跳过。今天新增内容没有一个“必须立刻改变研究路线”的突破，但在 agent harness、环境工程、工具调用粒度、视觉推理过程监督，以及数学化可靠性分析上有几篇值得花时间看。

必读

EurekAgent: Agent Environment Engineering is All You Need For Autonomous Scientific Discovery

• 链接：arXiv

工作简介： 这篇论文把 autonomous scientific discovery 的核心瓶颈从“设计 agent workflow”转向“设计 agent environment”，提出 EurekAgent，通过权限隔离、文件/Git artifact 管理、预算约束和人类监督接口来塑造 agent 的探索行为。作者在数学、kernel engineering 和机器学习任务上报告了新 SOTA，包括以不到 11 美元 API 成本发现新的 26-circle packing 结果，并开源代码和结果。

简评： 对 Fred 关心的可靠 agent 来说，这篇的价值不在某个 prompt trick，而是把环境、权限、artifact、预算视为可工程化的研究对象；这与最近 agent harness / verifiable environments 的趋势高度一致。需要注意的是，论文的强结论依赖具体任务与系统实现，是否能抽象成通用理论还要看复现与跨域迁移。

HyperTool: Beyond Step-Wise Tool Calls for Tool-Augmented Agents

• 链接：arXiv

工作简介： HyperTool 质疑当前工具增强 agent 的逐步原子 tool call：每一步都暴露在主推理轨迹里，导致上下文浪费和低层数据流管理负担。它把多个确定性工具子流程折叠成一个可执行的 MCP-style 外层调用，模型用代码块调用原有工具、处理中间值并返回结果；在 MCP-Universe 上，Qwen3-32B 的平均准确率从 15.69% 提升到 35.29%。

简评： 这是一个很实际的 agent 接口问题：很多失败并非模型“不懂任务”，而是执行粒度与推理粒度错配。它和 Fred 关注的 trajectory-level analysis / harness design 直接相关；不过训练数据由合成 HyperTool 轨迹驱动，真实开放环境下的安全边界、调试性和可审计性仍是关键问题。

值得关注

InterleaveThinker: Reinforcing Agentic Interleaved Generation

• 链接：arXiv

工作简介： InterleaveThinker 面向 text-image sequence 的 interleaved generation，提出一个 planner agent + critic agent 的多 agent pipeline：planner 组织图文序列并指挥图像生成器，critic 检查生成是否偏离计划并修正指令。训练上先用 planner/critic SFT 冷启动，再用 GRPO 强化 step-wise instruction correction，并用单步 reward 近似指导很长的生成轨迹。

简评： 这篇的亮点是把图像生成从单次调用提升到“轨迹级生成控制”，并明确处理超过 25 次 generator call 的长轨迹优化问题。它更像系统工程加 RL recipe，理论新意有限，但对 multimodal agents、trajectory reward 和长程生成控制有参考价值。

DyCo-RL: Dynamic Cross-Modal Coordination for Visual Reasoning

• 链接：arXiv

工作简介： DyCo-RL 研究 MLLM 在 CoT 视觉推理中何时看图、何时整合文本的动态跨模态协调问题。作者用 token-level 分析和干预发现协调失效与推理失败存在因果关联，并用 Fisher-Rao geodesic distance 衡量模态内 attention shift，把 token 分成视觉导向或文本导向角色，再把这种对齐分数用于 RLVR 的 advantage reweighting。

简评： 这篇比普通视觉推理 RL 更有意思，因为它尝试把过程中的跨模态协调显式建模，而不是只优化最终答案。因果说法还需要看实验设计强度，但 Fisher-Rao/attention-role 这一套对 Fred 关心的 mechanistic reasoning 与过程级可靠性很贴近。

See What I See, Know What I Think: Dense Latent Communication Across Heterogeneous Agents

• 链接：arXiv

工作简介： 论文研究异构 agent 之间能否绕过文本，直接传递 KV-cache 级 latent information。作者提出轻量 cross-model cache transformation 和“重建再生成”的两阶段训练，在 Qwen3-4B/8B/14B 六个方向上做异构通信，声称在 context-aware 场景下以约 2–3 倍更低计算量达到或超过文本通信，并在 receiver 看不到输入的 context-unaware 设置下仍有效。

简评： 这是多 agent 通信从“语言消息”走向“latent state transfer”的一个值得关注方向，尤其适合思考 agent 间共享记忆、带宽和可解释性的权衡。风险也明显：latent 通信更难审计，跨模型对齐是否稳定、是否会传播幻觉或私有信息，都需要更严格评估。

Operads for compositional reasoning in LLMs

• 链接：arXiv

工作简介： 这篇从数学结构出发，用 operads 描述 question decomposition：复杂问题被分解成子问题，再通过组合得到最终答案。作者定义 questions operad，并把 QA model 解释为其上的 algebra，同时提出 operadic consistency，用来衡量模型在分解树不同 partial collapses 下答案是否一致。

简评： 论文偏概念和理论，但方向很符合“给 LLM 推理找数学地基”的需求。真正价值取决于 companion empirical paper 中 operadic consistency 与准确率相关性的稳健程度；即便暂时不是工程方法，也提供了一个比普通 self-consistency 更结构化的可靠性视角。

LabVLA: Grounding Vision-Language-Action Models in Scientific Laboratories

• 链接：arXiv

工作简介： LabVLA 针对科学实验室中的 VLA robot policy：现有 VLA 多来自家居/桌面数据，缺乏实验仪器、透明液体和固定 protocol workflow。作者构建 RoboGenesis 仿真数据引擎生成实验室流程 demonstration，并用 Qwen3-VL-4B-Instruct backbone 经过 FAST action token pretraining 与 flow matching posttraining，在 LabUtopia benchmark 上取得较好成功率。

简评： 这篇对“AI for science”很实际：科学发现不只要读论文和写假设，还要可靠执行实验动作。新意主要在数据/仿真/embodiment 适配，而不是通用 reasoning 算法；如果 Fred 关注自主实验室 agent，这篇值得跟踪其数据与 benchmark 是否开放、是否能接入真实 lab automation。

开源发布

今天新增候选中有几个值得留意的开源/资源发布：EurekAgent 宣称开源代码和发现结果；InterleaveThinker、LabVLA、DyCo-RL 和 dense latent communication 相关工作都给出了代码或项目页面线索。由于 MiniMax Sparse Attention / MiniMax-M3 昨天已经记录过，今天不重复纳入正文。