AI Papers, June 17

今天的候选里 agent 系统论文很多，但真正有新问题意识的不算多。重点推荐两类：一类把“何时说话/何时停止/哪条轨迹可靠”从 prompt 技巧推进到可训练或可分析的机制；另一类把 agent 的可靠性落到可执行协议、仓库探索和知识图谱证据链上。

必读

JoyAI-VL-Interaction: Real-Time Vision-Language Interaction Intelligence

工作简介： 这篇提出一个 8B 级视觉优先的实时 VL interaction model，不再等用户提问，而是持续观看视频流，并每秒自行决定沉默、响应或委托后台模型。作者同时开源模型、训练 recipe、数据与可部署系统，并在六个真实场景中用人类偏好评测对比 Doubao 与 Gemini 的视频通话助手。

简评： 它把 Fred 关心的 agent stopping/activation criterion 放进了多模态交互主循环：核心问题不是“答什么”，而是“何时值得打断世界”。需要注意的是，人类偏好评测和场景覆盖仍偏产品化，论文声称的 emergent ability 还需要更独立的可复现实验，但作为开放实时视觉代理系统，值得优先读。

Free Energy Heuristics: Fast-And-Frugal Cognition as Active Inference Under Uncertain Precision

工作简介： 这篇给出一个数学化解释：当模型对自身证据可靠性的 meta-uncertainty 很高时，更长 CoT 会从增加信号转向制造虚假置信。作者用 expected free energy under uncertain precision 推导有限停止行为，并构造 FEH-79，在七个模型、五种 CoT 长度上验证高不确定性条件下长推理会显著降准。

简评： 这是今天最贴近“停止准则/可靠性/概率推理”的工作之一，因为它尝试解释什么时候 less reasoning is more，而不是只报告 prompt length 曲线。局限是理论假设与 benchmark 设计需要被外部复验，frontier model 上效果也较弱；但它为 CoT 预算控制提供了可检验的原则。

值得关注

Who Should Lead Decoding Now? Tracking Reliable Trajectories for Ensembling Masked Diffusion Language Models

工作简介： 论文研究 masked diffusion language models 的集成问题，发现成功生成在答案相关位置上有更稳定的 confidence dynamics。作者提出 TIE，通过跟踪不同 MDLM 在去噪过程中的可靠轨迹，动态选择当前更可信的模型并转移部分去噪序列。

简评： 亮点在于把 ensemble 从静态投票推进到 trajectory-level reliability tracking，和 Fred 对轨迹分析、早停与动态控制的兴趣很接近。问题是目前只面向 MDLM，且摘要没有给出很清楚的失效边界；但“谁在当前步骤领导解码”是一个值得迁移到 autoregressive reasoning 的问题。

FastContext: Training Efficient Repository Explorer for Coding Agents

工作简介： FastContext 把 coding agent 的“仓库探索”从求解模型中拆出来，训练一个专门的 exploration subagent，负责并行调用搜索/读取工具，然后只返回文件路径和行号范围。实验在 SWE-bench Multilingual、SWE-bench Pro 和 SWE-QA 上接入 Mini-SWE-Agent，最高提升 5.5% 解决率，并减少最多 60% token 消耗。

简评： 这不是又一个通用 agent 框架，而是抓住了代码代理的真实瓶颈：上下文污染与探索轨迹成本。它的贡献偏工程但很实用；后续值得看的是这种“探索者—求解者”分工是否能形成更一般的 agent harness 设计原则。

Can LLM Agents Infer World Models? Evidence from Agentic Automata Learning

工作简介： 作者用 agentic automata learning 测试工具调用 LLM agent 能否通过 membership/equivalence queries 发现隐藏 DFA。这个设置有可控复杂度、可度量交互效率，也有经典自动机学习算法作为强基线。

简评： 这篇的价值在于把“agent 是否学到世界模型”变成一个干净、可扩展、带传统算法参照的交互发现任务。结论也冷静：reasoning model 确实更强，但在 query planning、证据整合与假设构造上仍远不如经典算法；这比泛泛的 agent benchmark 更有诊断价值。

XFlow: An Executable Protocol Programming System for Reliable Multi-Agent Workflows

工作简介： XFlow 提出一种介于 prompt-only orchestration 与普通 workflow markup 之间的可执行协议系统，使用 XPF 语言把一部分 workflow commitments 编译成可检查、可保持、可强制执行的 harness 结构。运行时用 typed state cells、validation 与 commit states 管理共享状态，避免 actor 输出直接污染 prompt/transcript/memory。

简评： 这篇触及 multi-agent reliability 的关键：可靠性不应只靠更长 prompt，而要明确哪些约束必须进入执行层。它可能比“自动生成多 agent 架构”更有长期价值；但目前摘要层面的实验范围仍有限，需要看正文中 XPF 的表达能力、运行开销和与现有框架的集成难度。

DeepRoot: A KG-Coordinated Multi-Agent System for Therapeutic Reasoning over Historical Medical Texts

工作简介： DeepRoot 面向历史医学文本和传统药物知识，构建并使用一个验证过的 knowledge graph，让多 agent 系统把 grounding 和 reasoning 分开组合。应用到《神农本草经》时，它在 held-out compound-disease treatment pairs 上明显超过 raw corpus LLM 与随机基线，并大幅降低证据幻觉。

简评： 这是今天最符合“knowledge graph + agent reasoning + evidence reliability”的应用型工作。它的领域较窄，评估也依赖特定历史医学语料；但它明确展示了 KG-only、LLM-only、KG+LLM 在幻觉与推理连贯性上的 trade-off，值得作为 neuro-symbolic agent 的案例读。

开源发布

Ling and Ring 2.6 Technical Report: Efficient and Instant Agentic Intelligence at Trillion-Parameter Scale

Ling-2.6 面向低延迟/高 token 效率，Ring-2.6 面向深度推理与 agentic workflow，报告强调 hybrid linear attention、token efficiency post-training、以及用于大规模环境交互 RL 的 KPop 框架。摘要称 2.6 系列 checkpoint 全部开源；如果模型权重和训练细节确实完整，值得跟踪其 agent 环境 RL recipe。

Nemotron 3 Ultra: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Model for Agentic Reasoning

NVIDIA 发布 550B total / 55B active 的 MoE Hybrid Mamba-Attention 模型，支持 1M context，并使用 SFT、RL、multi-teacher on-policy distillation、reasoning budget control 等后训练技术。重点是长上下文 agentic tasks 的吞吐与开放权重；可关注其 1M context 在真实长程 agent 任务中是否比普通长上下文更可靠。

DreamX-World 1.0: A General-Purpose Interactive World Model

DreamX-World 是一个交互式 text/image-to-video world model，支持相机控制、回访已观察区域和事件指令控制，并用 camera-geometry retrieval 与 long-rollout training 缓解长程漂移。它偏生成式世界模型而非 LLM agent，但对 Fred 关心的 world model、scene persistence 与交互模拟环境有参考价值。

今日取舍

没有把所有高分候选都塞进来：VibeThinker-3B、VisualClaw、CODA-BENCH、TokenPilot、GD²PO 等都可能有用，但从摘要看更像已有方向上的强工程推进或 benchmark 扩展。今天真正值得先读的是：实时交互中的“何时响应”、高不确定性推理中的“何时停止”，以及 agent 轨迹/协议/证据链如何变得可检查。