AI Papers, July 11
今天没有看到“范式级突破”，但有几篇很贴近长期关注：因果推断进入真实数据科学 agent workflow，长程代理的主动记忆干预，异步 RL 训练 agentic 任务，以及从完整轨迹而非 pass/fail 评估代码代理。
必读
CausalDS: Benchmarking Causal Reasoning in Data-Science Agents
工作简介： 这篇提出 CausalDS，用采样的结构因果模型（SCM）生成观测数据和自然语言场景，再派生覆盖 Pearl 三层阶梯的任务；许多任务需要模型写代码、处理不完美观测，并在证据不足时选择 abstain。它把符号因果推理、数据科学工具使用、不确定性量化和拒答统一放进 agentic workflow 里评测。
简评： 这是今天最贴近“因果 + agent reliability”的工作：它不再只考模板化因果问答，而是考数据分析代理是否知道哪些结论可识别、哪些不能。真正价值取决于 SCM 与故事生成的多样性是否足够防止 benchmark gaming，但方向很对。
Remember When It Matters: Proactive Memory Agent for Long-Horizon Agents
工作简介： 论文把长程任务中的关键信息遗失称为 “behavioral state decay”，提出一个独立 memory agent，与未修改的 action agent 并行运行：它维护结构化 memory bank，并选择性地向 action agent 注入提醒或保持沉默。在 Terminal-Bench 2.0 与 τ²-Bench 上，selective intervention 分别带来约 +8.3pp 与 +6.8pp 的 pass@1 提升。
简评： 亮点不是“又加一个 RAG”，而是把记忆视作主动干预策略，并且把“什么时候提醒/什么时候闭嘴”作为核心问题；这和长程 agent 的 stopping、attention management、trajectory hygiene 很相关。限制是目前仍偏模块化启发式与基准验证，离通用可迁移 memory policy 还有距离。
值得关注
Single-Rollout Asynchronous Optimization for Agentic Reinforcement Learning
工作简介： 这篇提出 SAO，用于长程 agentic RL 的异步训练：不再做 GRPO 式 group-wise sampling，而是每个 prompt 单 rollout，并配合 value-model 训练设计与双侧 token-level clipping 稳定优化。实验覆盖 SWE-Bench Verified、BeyondAIME、IMOAnswerBench，并称已用于 GLM-5.2 的 agentic RL pipeline。
简评： 如果结果稳健，SAO 对“真实 agent 轨迹太长、同步批训练太慢”的工程瓶颈很有意义；它把吞吐、off-policy 偏移和训练稳定性放在同一张桌上讨论。需要关注的是单 rollout 是否会牺牲 reward 估计质量，以及其增益是否依赖特定基础模型和任务分布。
UniClawBench: A Universal Benchmark for Proactive Agents on Real-World Tasks
工作简介： UniClawBench 面向 proactive agents，设计 400 个双语真实世界任务，围绕 Skill Usage、Exploration、Long-Context Reasoning、Multimodal Understanding、Cross-Platform Coordination 五类能力组织。评测在 live Docker 环境中进行，用 step-by-step checkpoints、executor/supervisor/user agents 的闭环方式模拟多轮反馈。
简评： 它比静态 QA 或单轮 sandbox 更接近真实助手场景，也试图拆分“模型能力”和“agent 框架设计”的贡献。值得读其失败分析；但 benchmark 名称和能力 taxonomy 是否足够清晰、是否会和现有 OSWorld/TUA/π-Bench 重叠，需要进一步比较。
AgentLens: Production-Assessed Trajectory Reviews for Coding Agent Evaluation
工作简介： AgentLens 是代码代理评测基准，核心主张是不要只看任务是否通过，而要评估完整交互轨迹：是否遵循指令、如何使用工具、如何验证、如何从错误恢复、如何与用户沟通。它结合形式化验证、LLM 轨迹审查和 side-by-side comparison，并开源在 GitHub。
简评： 这和 Fred 关心的 trajectory-level analysis 非常贴合：产品中的 coding agent 失败往往不是最终 pass/fail 能解释的。风险在于 LLM-written review 的校准与可重复性，但作为 nightly regression 与诊断工具，比单一 leaderboard 更有实用价值。
WebSwarm: Recursive Multi-Agent Orchestration for Deep-and-Wide Web Search
工作简介： WebSwarm 针对 deep-and-wide web search，提出递归 delegation 框架：每个 search node 有局部目标和搜索模式，可自行解决或继续派生子节点，最后向上返回证据与结论。它还会先探测 web 上任务相关信息的组织方式，并在同类 sibling nodes 间复用过程经验。
简评： 这篇的价值在于把“深搜”和“广搜”统一成递归任务树，而不是简单并行多个 ReAct agent。要谨慎看待多代理搜索的成本和证据去重问题；真正关键是它的 node expansion 是否可控、是否有可靠停止准则。
Ideas Have Genomes: Benchmarking Scientific Lineage Reasoning and Lineage-Grounded Idea Generation
工作简介： 论文提出 IdeaGene-Bench，把论文或 proposal 表示成 typed、evidence-grounded 的 Idea Genome 对象，并用 GenomeDiff 记录继承、变异、丢失、外部引入和新插入。它包含 1,961 条 golden lineage traces、1,085 个 Idea Genome objects 和 920 个 pairwise GenomeDiff，评测科学谱系推理与基于谱系的新想法生成。
简评： 这很适合观察 AI scientist 是否真的理解研究脉络，而不是只会生成“看起来新”的 idea。框架有点重，标注主观性也不可避免，但“lineage-grounded novelty”比普通 novelty judge 更接近严肃科研评估。
Jet-Long: Efficient Long-Context Extension with Dynamic Bifocal RoPE
工作简介： Jet-Long 是免调参、零训练的长上下文扩展方法，把局部 RoPE-faithful window 与随当前序列长度动态缩放的远程 window 结合，并通过 inclusion-exclusion attention merge 与 RoPE correction rotation 降低额外开销。在 Qwen3 1.7B/4B/8B 上测试到 128K，上下文任务与困惑度优于若干 baseline。
简评： 对 agent 很实际：工具轨迹、代码仓库和 RAG 都在不断推高上下文长度。它不是新的推理算法，但如果实现稳定、kernel 友好，可能是开源模型部署长上下文的低成本改进。
开源发布
RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies
RoboDojo 发布统一 sim-and-real 机器人操作评测，包含 42 个仿真任务、18 个真实任务、30 个集成 policy、leaderboard，以及远程真实硬件评测系统；项目页：robodojo-benchmark.com。这不是 Fred 主线里的 LLM agent，但对 embodied generalist policy 的评测工程比较完整。
LingBot-Video: Scaling Mixture-of-Experts Video Pretraining for Embodied Intelligence
LingBot-Video 声称发布面向 embodied intelligence 的开源 MoE video foundation model，用机器人、导航、第一视角等数据补足普通视频生成模型的物理与动作理解短板。值得关注其开源权重、数据说明和 reward alignment 细节是否足够透明。