AI Papers, July 1
今天有几篇正好贴近 Fred 关注的主线：agent 的停止/弃权、长程真实任务评测、工具调用信用分配，以及 reasoning trace 的可解释分析。总体看，真正有新问题意识的工作不多；下面只选了我认为值得五分钟阅读的论文和发布。
必读
Agentic Abstention: Do Agents Know When to Stop Instead of Act?
- arXiv: 2606.28733
- Project: https://lhannnn.github.io/agentic-abstention
工作简介： 这篇把“agent 什么时候该停止/弃权”定义成一个序贯决策问题，而不是传统单轮的 answer-or-abstain。作者在 web shopping、terminal、QA 等环境中评测 13 个 LLM-agent 系统和 2 个 agent scaffold，共 28,000 多个任务，并提出 CONVOLVE：把完整交互轨迹蒸馏成可复用的 stopping rules，用上下文工程改善及时弃权。
简评： 这是今天最贴近 Fred 兴趣的一篇：它把 reliability/stopping criteria 从“答不答”推进到“何时不再行动”，而且指出更大、更会 reasoning 的模型并不必然更会及时停止。局限是 CONVOLVE 仍偏工程式 context rule injection，但问题定义和评测维度很值得沿用到长程 agent 可靠性研究。
OSWorld2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks
- arXiv: 2606.29537
工作简介： OSWorld 2.0 扩展为 108 个真实长程 computer-use workflow，覆盖日常和专业任务；每个任务人类中位耗时约 1.6 小时，Claude Opus 4.7 最大 thinking 平均需要 318 次 tool calls，远长于 OSWorld 1.0。评测显示 Claude Opus 4.8 在 500 步二元完成指标下也只有 20.6% 完成率，GPT-5.5 更省 token 但约停在 13%。
简评： 这类 benchmark 的价值不在“又刷一个分数”，而在暴露真实长程失败模式：丢约束、错过中途出现的信息、猜而不问、缺少验证、隐状态恢复失败。它对 agent trajectory-level analysis 很有用，不过也要警惕 benchmark 过重导致复现实验和方法迭代成本过高。
值得关注
TACO: Tool-Augmented Credit Optimization for Agentic Tool Use
- arXiv: 2606.30251
工作简介： TACO 针对多模态 code-tool agent 的工具调用信用分配问题，提出 GRPO 变体：用 Differential Answer-Probe Reward 比较“有/无该工具调用”时答案奖励差异，为每次 tool call 估值；再用 Outcome-Gated Advantage Routing 把最终答案信用路由到相关片段。实验覆盖感知、推理和通用多模态 benchmark，目标是让模型只在工具真正有帮助时调用。
简评： 亮点是把工具调用的边际贡献显式化，避免 outcome-only reward 把冗余或误导工具调用也奖励进去；这和 Fred 关注的 trajectory-level credit assignment 很契合。需要进一步看 probe token 是否会引入新型可利用信号，以及在更开放的 web/terminal agent 中是否仍稳定。
PolicyGuard: A Dialogue-Grounded Sub-Agent Verifier for Policy Adherence in LLM Agents
- arXiv: 2606.29225
工作简介： PolicyGuard 把组织 policy adherence 视为多轮 workflow 问题，而非单次 tool argument 的 guardrail。它让一个 sub-agent verifier 共享完整对话上下文，基于 policy 自我推理并给主 agent 下一步可执行反馈；在 tau²-Bench airline 上，对 GPT-5.4、Claude Sonnet 4.6、Gemini 2.5 Pro 都提升 PASS4。
简评： 这比简单 action blocking 更接近真实 agent 合规性：很多违规来自缺确认、没读前置条件、上下文承诺冲突，而不是某个参数本身危险。方法仍依赖 verifier agent 的判断质量，但“对话 grounded 的 remediation”是有实际系统价值的方向。
Cognitive Episodes in LLM Reasoning Traces Enable Interpretable Human Item Difficulty Prediction
- arXiv: 2606.28186
工作简介： Epi2Diff 将 large reasoning model 的 reasoning trace 切分为 cognitively grounded episode sequences，用状态转移、努力分配和 reasoning scale 等 episode-dynamic features 来预测人类题目难度。作者在四个真实 human difficulty 数据集上比较 fine-tuned 小模型、LLM ICL、supervised LLM adaptation 等基线，SAT-derived benchmark 上相对 supervised LLM fine-tuning 平均提升 8.1%。
简评： 这篇有意思在于它不只把 CoT 当文本特征，而把推理轨迹结构化成“认知片段”，用于解释人类为什么觉得题难。应用场景偏教育测量，但方法论可迁移到 Fred 关心的 reasoning trace/trajectory segmentation 与可解释难度建模。
Internal-State Probes Read the Situation, Not the Action: Three Negative Results for Pre-Action Misalignment Monitoring
工作简介： 这篇检验 internal-state probes 能否在 agent 生成有害文本或 tool action 之前给出可靠预警。作者在 Qwen2.5-Coder、Llama-3.1、Gemma-3 上测试 fine-tune/base direction、unsafe prefill probe、emotion-concept vector 等三类方法，发现这些 readout 往往读到的是 prompt/domain/trajectory situation，而不是未来 action 本身。
简评： 这是一篇有价值的 negative result：它把“内部探针可监控 agent misalignment”的强主张拆成 pre-action generalization 和 concept specificity 检验，并显示许多漂亮 AUC 并不转化成可部署预警。对安全监控研究很重要，因为它提醒我们不要把情境分类器误认为行为预测器。
TUA-Bench: A Benchmark for General-Purpose Terminal-Use Agents
- arXiv: 2606.28480
工作简介： TUA-Bench 面向通用 terminal-use agents，包含 120 个真实任务，覆盖文档编辑、邮件管理、live-web 信息搜索，以及由博士级专家设计的科学/工程 workflow。每个任务运行在真实 terminal 中，并用 execution-based scoring 评估；Claude Code + Claude Opus 4.8 max reasoning 整体达到 65.8%。
简评： 它补上了 GUI benchmark 与 coding/shell benchmark 之间的空缺：terminal 不只是写代码，也可以承载大量日常和专业数字工作。相较 OSWorld2.0，它可能更易自动化和复现，但仍要看任务是否足够防止模板化 harness 过拟合。
开源发布
Scaling the Horizon, Not the Parameters: Reaching Trillion-Parameter Performance with a 35B Agent
- arXiv: 2606.30616
Agents-A1 是一个 35B MoE agentic model，核心主张是通过 scaling long-horizon trajectories 与 heterogeneous agent abilities，而不是单纯扩大参数量，达到接近 trillion-parameter 模型的长程 agent 表现。摘要中提到平均 45K token 的 knowledge-action trajectories、三阶段训练、多 teacher domain-routed on-policy distillation，并在 SEAL-0、IFBench、HiPhO、FrontierScience-Olympiad、MolBench-Bind 等 benchmark 上报出强结果。值得关注，但需要等待更独立的复现和 benchmark 细节验证，尤其是与 Kimi/DeepSeek 等 1T 模型比较的设定是否完全公平。
ReasoningLens: Hierarchical Visualization and Diagnostic Auditing for Large Reasoning Models
- arXiv: 2606.23404
ReasoningLens 是一个开源框架，用层级可视化和 agentic auditor 来整理长 CoT/reasoning trace，试图把冗长推理文本拆成高层策略、低层执行、错误检测和系统性 reasoning profile。作为研究工具它值得试用，尤其适合做长推理链调试；但从摘要看更像可视化/审计框架发布，科学结论还需要具体案例和误差分析支撑。