AI Papers, July 5
今天没有特别像“范式转换”的大新闻，但有几篇很贴近 Fred 关注点的工作：长期 agent 的轨迹级评测、记忆作为可训练技能、图结构推理，以及推理/可靠性诊断。以下均已跳过此前日志中出现过的 arXiv ID。
必读
EvoPolicyGym: Evaluating Autonomous Policy Evolution in Interactive Environments
工作简介： 这篇论文提出 Autonomous Policy Evolution 设定：让一个 harness-model agent 在固定交互预算内反复编辑可执行 policy，并在一组紧凑的交互式 RL 环境中评估其改进能力。EvoPolicyGym 不只看最终分数，还记录 trajectory-level diagnostics，用来分析 agent 如何分配预算、利用反馈、调参和发现任务机制。
简评： 它的价值在于把“agent 会不会从交互中改进策略”从软件工程式开放任务中剥离出来，变成可控实验；这正好贴合 Fred 对 trajectory-level analysis、长期 agent 与可靠评测的兴趣。摘要中的 leaderboard 结论仍需谨慎，因为没有代码且具体统计细节要看正文，但问题定义值得读。
AutoMem: Automated Learning of Memory as a Cognitive Skill
工作简介： AutoMem 把文件系统操作提升为 agent 的一等 memory action，让模型学习“何时写、写什么、如何检索/组织”，并通过两层自动优化循环改进记忆结构与模型使用记忆的 proficiency。在 Crafter、MiniHack、NetHack 三个长程游戏中，仅优化 memory management 就让 32B 开源模型取得约 2–4 倍提升。
简评： 这篇的核心贡献不是又做一个 memory benchmark，而是把 metamemory 明确建模为可训练技能；如果结果站得住，会对长期 agent 的 memory architecture 设计很有启发。限制是任务仍是程序化游戏环境，迁移到真实桌面/研究助理场景需要额外验证。
值得关注
Graph-Native Reinforcement Learning Enables Traceable Scientific Hypothesis Generation through Conceptual Recombination
工作简介： 论文提出 Graph-PRefLexOR：用 GRPO 微调模型，把材料科学假设生成拆成机制探索、图构建、模式抽取和假设综合等显式阶段，并把语言生成与符号关系图连接起来。它在 100 个材料科学与力学开放问题上报告 40–65% 的提升，尤其强调 reasoning traceability 与 conceptual recombination。
简评： 这是今天最贴近“knowledge graph + causal/traceable scientific reasoning”的工作之一，值得看它如何定义可追踪性和图结构奖励。需要注意的是，科学假设生成的评价很容易被 rubric 或评审偏好牵引，真正的新颖性与可验证性要看人工评测协议。
Reasoning effort, not tool access, buys first-try reliability in agentic code generation: an observational study
工作简介： 这是一项 90 次独立 agent coding run 的观察研究：所有 agent 实现同一个实时 retrospective board，并用 14 项功能 rubric 和视觉质量审查评分。作者比较不同模型代际、agent harness、reasoning effort、浏览器测试工具和设计 prompt，发现提高 reasoning effort 显著增加 first-try perfect runs，而测试工具增加成本但未改善可靠性。
简评： 结论很实用：第一轮失败更多来自推理不足，而不是缺少可见界面检查工具；这对设计 coding agent 的停止条件、预算分配和工具调用策略有参考价值。不过它是单任务观察研究，不应直接外推成“工具无用”，更像是一个提醒：先定位失败来源再加能力。
Transferability for General Reasoning: An Automated Curriculum for Multi-Domain RLVR
工作简介： 论文针对多领域 RLVR 训练中的 curriculum 选择问题，提出 Transfer-Aware Curriculum (TAC)：不仅看某领域当前是否可学，还用 GRPO 步骤中的投影梯度估计该领域更新对其他领域的迁移收益。实验在六领域 reasoning suite 上，对 Qwen3-1.7B 和 Llama3.2-3B 都优于随机采样、手工 schedule 和 learnability-only bandit。
简评： 这篇有比较明确的数学/优化味道，把 cross-domain transferability 当作课程设计信号，而不是靠经验配比。提升幅度不算巨大，但“用梯度几何近似迁移性”的思路值得关注，特别适合思考通用推理 RL 的数据配方。
Multimodal Continuous Reasoning via Asymmetric Mutual Variational Learning
工作简介： 论文处理 multimodal latent reasoning 的 train-inference mismatch：训练时 posterior 能看到答案，容易产生 answer leakage，而测试时 prior 没有这个信息。AMVL 用 forward KL 让 prior 匹配 posterior，同时用 reverse KL 约束 posterior 不要坍缩到测试时不可达区域，并在 BLINK 等复杂视觉推理任务上报告明显提升。
简评： 亮点是把“连续潜变量推理为什么会污染 prior”讲成一个较清楚的变分学习问题，而不是只堆 benchmark。若理论和消融扎实，它对 latent reasoning、multimodal CoT 替代路线都有意义；但目前摘要看不到代码和大规模复现情况。
Visually Grounded Self-Reflection for Vision-Language Models via Reinforcement Learning
工作简介： 这篇提出 VRRL，用强化学习训练 VLM 在自我反思时真正回到视觉证据，而不是只在文本 CoT 中“复述式纠错”。方法包括随机遮蔽 trajectory prefixes 以训练从错误中恢复，以及用 replay buffer 的 buffered roll-ins 暴露多样失败状态；评测覆盖表格/图表 grounding 和空间导航。
简评： 它关注的是 reflection 是否 grounded，而不是 reflection 文本是否看起来合理，这对多模态 agent 的可靠性很重要。新意主要在训练机制和 failure-state 覆盖，最终价值取决于是否能证明模型确实改变了视觉注意/证据使用，而非只适配了特定任务分布。
ASPIRE: Agentic Skills Discovery for Robotics
工作简介： ASPIRE 是一个机器人 code-as-policy 的持续学习系统：通过闭环机器人执行引擎收集细粒度多模态 traces，自动诊断失败、生成修复、验证并沉淀到可复用 skill library，同时用 evolutionary search 生成多样任务和控制程序。它在 LIBERO-Pro、Robosuite 和 BEHAVIOR-1K 等长程/扰动任务上报告显著提升，并给出初步 sim-to-real 迁移证据。
简评： 虽然机器人不是 Fred 最核心方向，但“从失败轨迹中自动发现并沉淀技能”与 agent skill/memory 的问题高度相通。需要警惕摘要中的大幅提升是否依赖特定 simulator、工程 harness 和任务分布；但作为 embodied agent 的技能演化案例值得扫读。
开源发布
今天候选集中没有独立的重磅模型发布。较值得留意的是 AutoMem、ASPIRE、TAC、VRRL 等论文均声称或显示有代码/资源线索，但我会把它们视为研究原型，而非成熟框架发布。
备注
已严格跳过 2026-07-04 日志中出现过的 Program-as-Weights、AgenticSTS、PACE、MemSyco-Bench、DRIFTLENS、AgenticDataBench 等条目。今天的筛选宁可少写，也避免把一般性 benchmark 或应用型增量工作塞进日报。