AI Papers, June 15

今天没有特别“改写范式”的单篇论文；更值得看的，是几篇把智能体可靠性、轨迹可执行性、蒸馏信号可信度和模型生态透明度做得更细的工作。以下已跳过近日重复收录的论文，保留少量真正值得花时间看的新条目。

必读

SG-OPD: Sign-Gated On-Policy Distillation via Sign-Consistency Gating and Phased Teacher Sampling

• arXiv: https://arxiv.org/abs/2606.09304

工作简介： 这篇论文研究 on-policy distillation：学生模型在自己的轨迹上学习强教师的逐 token 偏好，但作者指出它依赖两个常被破坏的假设——学生轨迹与教师轨迹足够对齐、教师每个 token 的偏好都可靠。SG-OPD 引入二值 verifier 作为信任信号，一方面在冷启动阶段混入 verifier 认可的教师 rollout，另一方面用 sign-consistency gate 只在教师方向与 verifier-correct 方向一致时放大蒸馏更新，在不一致时降低信任。

简评： 这很贴近 Fred 关注的“轨迹级可靠性”和“停止/信任准则”：它不是再堆一个 RL 算法，而是把 teacher signal 的局部可信度显式建模。局限是目前实验主要在竞赛数学推理上，是否能迁移到工具调用、多步 agent 轨迹，还需要更强的环境验证。

WebChallenger: A Reliable and Efficient Generalist Web Agent

• arXiv: https://arxiv.org/abs/2606.10423
• Code: https://github.com/jayoohwang1/webchallenger

工作简介： WebChallenger 是一个面向 Web navigation 的通用 agent 框架，核心不是换更大的模型，而是构造 PageMem：从 DOM 生成层次化页面表示、摘要和元素行为记忆。系统用分治式观察、一次性网站探索记忆、以及复合动作 workflow 来减少无效视觉/文本 token 和重复交互，在 WebArena、VisualWebArena、Online-Mind2Web、WorkArena 上用开源模型接近部分前沿闭源系统。

简评： 这类工作的重要性在于把“网页智能体能力”重新落到 harness 与状态表示设计，而不是单纯模型规模；PageMem 也像一种可复用的结构化环境记忆。需要谨慎的是，论文声称的通用性仍依赖 DOM 可解析性和网站结构稳定性，面对高度动态、反自动化或视觉主导页面时可能会打折。

值得关注

Evoflux: Inference-Time Evolution of Executable Tool Workflows for Compact Agents

• arXiv: https://arxiv.org/abs/2606.12674

工作简介： Evoflux 针对小模型工具智能体在 MCP-style 工具目录中生成“看似合理但不可执行”workflow 的问题，把工具使用看成可执行图的 inference-time repair。它通过结构化编辑、执行反馈、自适应搜索强度、meta-guided redesign 和多样性剪枝来演化 typed workflow graph，在 MCP-Bench 上显著提高小 planner 的可执行率。

简评： 这篇对 agent 很有启发：如果工具目录动态变化且 teacher trace 稀缺，单纯 SFT/DPO 可能不如执行驱动的搜索可靠。缺点是成功率从约 3% 提到 17–24% 仍然偏低，说明 compact tool agent 的 schema grounding、依赖追踪和错误恢复还远未解决。

Robust-U1: Can MLLMs Self-Recover Corrupted Visual Content for Robust Understanding?

• arXiv: https://arxiv.org/abs/2606.08063
• Code: https://github.com/jqtangust/Robust-U1

工作简介： Robust-U1 问一个很直接的问题：多模态大模型面对真实图像破损时，能否先自我恢复视觉内容，再进行理解？方法分为三步：SFT 学初始重建，随后用 SSIM 与 CLIP similarity 双奖励做 RL 对齐，最后在推理时同时利用破损输入和恢复图像完成 VQA/理解任务。

简评： 新意在于把 robustness 从黑箱特征对齐或纯文本解释，推进到显式视觉恢复机制，并给出恢复质量与推理性能之间的联系。它更偏多模态鲁棒性工程，不是通用 reasoning 突破；但对“模型是否知道自己看坏了、能否修复后再判断”这个可靠性问题很值得关注。

Risk Under Pressure: Compute-Aware Evaluation of Adversarial Robustness in Language Models

• arXiv: https://arxiv.org/abs/2606.11409

工作简介： 论文指出常见 jailbreak/对抗鲁棒性评测只报告固定查询预算下的 attack success rate，会掩盖不同攻击的计算成本差异。作者提出以累计 FLOPs 表示 computational pressure，画 risk-compute curves，并用相关指标衡量攻击成功所需平均压力，在十个模型、三类攻击、两个安全 benchmark 上分析 alignment、模型规模和攻击迁移的影响。

简评： 这是一个很实用的评测视角：安全风险不只是“能不能攻破”，还包括“以多低成本攻破”。它与 Fred 关注的 reliability/停止准则相邻，因为风险曲线比单点 ASR 更适合做部署决策；但 FLOPs 只是攻击努力的代理变量，真实攻击者的成本还包括数据、prompt 搜索经验和系统访问条件。

Which Models Are Our Models Built On? Auditing Invisible Dependencies in Modern LLMs

• arXiv: https://arxiv.org/abs/2606.12385

工作简介： 这篇提出 ModSleuth，一个从公开 artifact 中递归重建 LLM 依赖图的 agentic 系统，用 source-grounded evidence 区分直接/间接依赖、不同 pipeline 角色，以及名称、版本、仓库之间的实体对齐。作者在四个公开材料丰富的 LLM release 上恢复了 1,060 个可溯源依赖，并构建依赖图以暴露许可证、多跳训练-评测耦合和文档不一致。

简评： 这不是模型能力论文，但对 AI 研究生态很重要：现代模型越来越依赖上游模型生成数据、筛选语料和充当 judge，依赖图本身已经复杂到需要 agentic 审计。它的难点也很明确——“什么算依赖”带有规范性，自动抽取再强也离不开清晰的依赖本体和证据标准。

Rethinking Psychometric Evaluation of LLMs: When and Why Self-Reports Predict Behavior

• arXiv: https://arxiv.org/abs/2606.12730

工作简介： 作者重新审视用心理测量问卷预测 LLM 行为的可靠性，比较粗粒度 Big Five 与更贴近具体行为的 Theory of Planned Behavior。实验覆盖四类行为任务和 11 个前沿 LLM，并改变会话上下文与身份诱导，发现自我报告与行为的一致性是选择性的：同一会话中 TPB 可达到类人一致性，但跨会话、强 prompt priming 场景下会明显崩塌。

简评： 这篇的价值在于提醒大家不要把 LLM 的“人格问卷分数”当成稳定属性；行为预测需要任务特定、上下文匹配的测量工具。它对 agent 评估也有借鉴意义：很多所谓偏好、意图、人格探针，可能只是当前上下文下的短暂表态。

N-GRPO: Embedding-Level Neighbor Mixing for Enhanced Policy Optimization

• arXiv: https://arxiv.org/abs/2606.10768

工作简介： N-GRPO 试图改进数学推理 RL 中 rollout 多样性不足的问题：token-level sampling 容易生成表面不同但语义重复的轨迹，而随机 embedding noise 又会破坏语义。方法是在 GRPO 中混合 anchor token 与其语义近邻的 embedding，在局部语义流形内增加探索多样性，并在 DeepSeek-R1-Distill-Qwen 系列上测试数学与 OOD 泛化。

简评： 这是一个小而有意思的探索机制，关注“生成不同但仍有效的解题轨迹”，比单纯调采样温度更有结构。是否真正带来可解释的 trajectory diversity、以及对非数学 agent 任务是否有效，还需要更多开放复现。

开源发布

• MiniMax MSA kernel / MiniMax-M3：MiniMax Sparse Attention 论文已在前两日收录；今天可补充关注其开源 kernel 与 MiniMax-M3 模型页面。Kernel: https://github.com/MiniMax-AI/MSA ，Model: https://huggingface.co/MiniMaxAI/MiniMax-M3
• Robust-U1：视觉自恢复鲁棒理解代码已公开，适合跟进 MLLM robustness 复现实验。https://github.com/jqtangust/Robust-U1
• WebChallenger：Web agent harness 与 PageMem 框架已开源，适合对比 DOM-grounded 记忆与传统 screenshot/HTML agent。https://github.com/jayoohwang1/webchallenger

小结

今天的主线不是单点 SOTA，而是“让模型/智能体的轨迹更可审计、更可执行、更知道何时该信任信号”。SG-OPD、Evoflux、WebChallenger 和 ModSleuth 分别从蒸馏、工具执行、网页状态表示和模型依赖审计切入，都在推动更可靠的 AI 系统工程。