AI Papers, July 9

· AI Notes

今天没有需要硬凑的爆炸性突破，但有几篇很贴近 Fred 关注点的工作：长程 agent 的训练效率、失败模式归纳、多语执行可靠性，以及把世界模型用于机器人策略与数据生成。下面按必读、值得关注、开源发布筛选，已跳过此前记录过的论文。

必读

TurnOPD: Making On-Policy Distillation Turn-Aware for Efficient Long-Horizon Agent Training

工作简介： 这篇论文研究 long-horizon language agent 的 on-policy distillation：学生模型在自己的轨迹上模仿强教师，但完整 rollout 和 token-level KL 往往把预算浪费在尾部、同时低估深层决策 turn。作者提出 TurnOPD，用 adaptive rollout-depth budgeting 控制展开深度，并用 progressive turn-normalized loss budgeting 把监督从浅层 token 逐步转向更均衡的 turn 级别；在 ALFWorld、WebShop、Multi-Hop Search 上比较同等 wall-clock 预算下的表现。

简评： 这很符合 trajectory-level analysis 和 stopping/budget criteria 的方向：它不是单纯再堆 RL，而是明确指出 agent 轨迹中哪些 turn 值得训练、哪些 tail turn 只带来噪声。局限是仍依赖任务特化教师与既定 benchmark，但作为 agent OPD 的效率改造，问题定义清楚、可复用性强。

Beyond the Leaderboard: A Synthesis of Tool-Use, Planning, and Reasoning Failures in Large Language Model Agents

工作简介： 这是一篇综述/综合分析，汇总 2023-2026 年 27 篇 benchmark、taxonomy 和 audit 论文，把 LLM agents 在工具调用、规划、长程推理、多智能体协作、安全以及测量有效性上的失败模式归纳为六类。作者特别强调：错误会随任务长度非线性叠加，单步能力不可靠地转化为端到端成功，更多 scaffolding 也不总是提升可靠性。

简评： 新方法不多，但它把分散的 agent failure evidence 归为一个 reasoning-to-action pipeline，适合作为 Fred 做 agent 可靠性、停止准则、评测设计时的背景读物。值得注意的是，这类 synthesis 的贡献取决于覆盖范围和分类质量；若要引用，最好核对其 taxonomy 是否真的比已有 survey 更有解释力。

值得关注

PolyWorkBench: Benchmarking Multilingual Long-Horizon LLM Agents

工作简介： PolyWorkBench 评测 multilingual long-horizon workplace workflows，包含 67 个任务，覆盖商务、知识工作、法律分析、本地化、制造等场景，要求 agent 在异质多语输入中迭代推理、调用工具并生成结构化输出。评测结合结构化打分、可执行验证和 LLM 语义评审，用来同时衡量功能正确性与语言一致性。

简评： 亮点是把多语性放进 agentic execution，而不是只测单轮问答翻译；这对真实办公 agent 很关键，因为语言切换会在规划、工具参数和最终输出中产生复合错误。规模目前不算大，67 个任务更像早期 benchmark，但问题设定值得关注。

Information Limits and Attractor Dynamics in Economies of Frontier LLM Agents: A Pre-Registered Test

工作简介： 该工作做了一个预注册实验，用 Claude Opus 4.8 组成小型经济体，测试两个关于耦合多智能体系统的定量预测：市场耦合下财富增长的信息论 capacity region，以及激励/控制杠杆下群体 misalignment 的 mean-field residual-scaling law。作者冻结预测、验收区间和决策规则，并公开 cache 与分析代码；结果中，一个信息增长差等于信息声明差的 gap law 得到确认，而平滑 mean-field misalignment 模型没有得到支持，系统呈现阶跃和双稳态行为。

简评： 这篇很 Fred：信息论、群体 agent、attractor dynamics、预注册实验都很少见。风险在于场景相当人工，且只针对特定 frontier model 和小规模经济体；但它把 LLM agent 群体行为从 anecdote 往可复现实验和定量预测推进了一步。

RynnWorld-4D: 4D Embodied World Models for Robotic Manipulation

工作简介： RynnWorld-4D 将机器人 manipulation 的未来预测建模为 RGB、depth、optical flow 的联合生成，即 RGB-DF 4D world model；从单张 RGB-D 图和语言指令出发，用统一 diffusion 过程生成未来外观、几何和运动。作者还构建了 2.544 亿帧规模的 Rynn4DDataset 1.0，并加入 inverse dynamics head，把内部 4D 表征单次前向映射为闭环机器人动作，在真实双臂灵巧操作任务上报告 SOTA。

简评： 方向重要：它试图把 world prediction 与 policy learning 的接口从 2D video 拉到几何/运动一致的 4D 表征。需要保留怀疑的是，摘要中的数据规模和 SOTA 叙述很强，但是否真正释放数据、伪标签质量和真实机器人任务覆盖度，会决定它是平台级进展还是一次大工程展示。

PluraMath: Extending Mathematical Reasoning Evaluation Beyond High-Resource Languages

工作简介： PluraMath 扩展 PolyMath，把数学推理评测从 18 个高资源语言扩展到另外 18 个中低资源/极低资源语言，覆盖 6 个语系；数据通过 native speaker 人工校验预翻译结果构建。作者用该数据评测 27 个 reasoning LLM，按小、中、大和闭源 ensemble 四种规模分析多语数学推理能力。

简评： 这不是新的推理算法，而是补上 evaluation blind spot：现有数学 reasoning benchmark 过度偏向英语和中文，容易高估模型的通用数学能力。对 Fred 来说，它的价值主要在评测公平性和能力归因；结果显示低资源语言上的差距仍显著，且与 instruction-following 能力强相关。

LongCrafter: Towards Diverse Long-Context Understanding via Evidence-Graph-Guided Instruction Synthesis

工作简介： LongCrafter 是一个 long-context SFT 数据合成框架：先用层级任务 taxonomy 覆盖 local/shallow 到 global/deep 的 32 类长上下文任务，再为上下文构建 explicit evidence graph，建模跨段落依赖，并生成严格 grounding 到证据 span 的 instruction-response 对。作者报告在 Qwen2.5-7B 和 LLaMA-3.1-8B 上，相比其他 SFT baseline 在 LongBench、LongBench v2、LooGLE 上有明显提升，尤其缓解 lost-in-the-middle。

简评： 这篇与知识图谱/证据图和 long-context reliability 有交集，重点不是无限上下文结构，而是训练数据是否有可追踪证据路径。如果 evidence graph 生成质量可靠，它可能比普通合成长上下文数据更适合训练可审计推理；但仍要警惕 benchmark contamination 和 synthetic-data overfitting。

Truthful or Fabricated? Using Causal Attribution to Mitigate Reward Hacking in Explanations

工作简介： 作者指出 preference optimization 可能让模型生成看似合规但不忠实的 chain-of-thought explanation：reward model 同时奖励答案质量和解释规范，却不检查解释是否对应模型内部决策过程。论文提出把 prediction 的 causal attribution 加入 reward model 输入，使其能够检测自我解释和实际决策依据之间的不一致，并在受控实验中降低误导性解释。

简评： 这篇是 v3 更新，不算今天的新方向，但与 causality、faithfulness、reward hacking 高度相关。它的关键贡献是把解释可靠性从文本表面偏好拉回到因果归因；限制是 attribution 本身是否足够可信、以及能否扩展到真实复杂推理链，还需要进一步验证。

开源发布

SkillOpt-Lite: Better and Faster Agent Self-evolution via One Line of Vibe

工作简介： SkillOpt-Lite 把 agent skill optimization 形式化为 zeroth-order optimization，并提出一个更小的可行 pipeline：基于文件系统的轨迹探索、consensus attribute mining、独立验证 gating。作者声称该轻量版在 LiveMath 和 SpreadsheetBench 上比完整 SkillOpt 更快更好，并能集成到 VSCode Copilot 一类生产 coding agent，让用户用很少指令触发技能演化。

简评： 这篇需要带着 skepticism 看：标题里的 one line of vibe 很营销，结果也依赖具体 harness 和 benchmark。但开源实现值得扫一眼，因为它把 agent 自我进化落在可编辑代码、轨迹反馈和验证门控上，和 Fred 关注的 skill/harness optimization 有直接关系。

← AI Papers, July 8 AI Papers, July 11 →