# AI 论文日报 · 2026-05-16

- 运行时间：UTC 2026-05-16 06:00:26 UTC；北京时间 2026-05-16 14:00:26 CST +0800
- 覆盖北京时间：2026-05-15、2026-05-16
- 候选数量：652（arXiv recent pages + Hugging Face Daily Papers 合并去重前后本地候选池）
- 去重后新论文数量：651；历史/状态去重命中：1
- 精选数：15
- 数据源：arXiv export API probe 可用；批量 query 短时 429 时回退到 arXiv official recent/list + per-paper abs pages；HF Daily Papers 目标日期页可访问。

## 执行摘要

本期 arXiv recent 最新批次主要集中在 2026-05-15（UTC/arXiv release heading），北京时间 2026-05-16 14:00 运行时尚未出现单独的 2026-05-16 arXiv 批次；HF Daily Papers 日期页也返回 2026-05-15 daily entries。因此报告覆盖北京时间 2026-05-15、2026-05-16，但精选主要来自 arXiv/HF 在目标窗口可见的 2026-05-15 批次。

### Top 3
1. **[Orchard: An Open-Source Agentic Modeling Framework](https://arxiv.org/abs/2605.15040)** — 开源 agentic modeling 基座把环境服务、轨迹蒸馏、SFT/RL 与 SWE/GUI/个人助手 recipes 放在同一套可复用框架里。
2. **[STALE: Can LLM Agents Know When Their Memories Are No Longer Valid?](https://arxiv.org/abs/2605.06527)** — 把 agent memory 的核心问题从“能否取回事实”推进到“能否判断旧记忆已经失效并更新行为”。
3. **[FrontierSmith: Synthesizing Open-Ended Coding Problems at Scale](https://arxiv.org/abs/2605.14445)** — 从 closed-ended 竞赛题自动演化 open-ended coding tasks，并证明合成数据能提升长程代码能力。

## Top Picks
### 1. Orchard: An Open-Source Agentic Modeling Framework
- 链接：[2605.15040](https://arxiv.org/abs/2605.15040) / [PDF](https://arxiv.org/pdf/2605.15040)
- 作者/机构（可得时）：Baolin Peng, Wenlin Yao, Qianhui Wu, Hao Cheng, Xiao Yu, Rui Yang, Tao Ge 等 14 位作者
- 日期：2026-05-14；来源：arXiv recent page + Hugging Face Daily Papers；类别：Artificial Intelligence (cs.AI) ; Computation and Language (cs.CL)
- 一句话结论：开源 agentic modeling 基座把环境服务、轨迹蒸馏、SFT/RL 与 SWE/GUI/个人助手 recipes 放在同一套可复用框架里。
- Motivation：Agentic modeling aims to transform LLMs into autonomous agents capable of solving complex tasks through planning, reasoning, tool use, and multi-turn interaction with environments.
- Method：open-source agent training/evaluation infrastructure；以 Orchard Env 做 sandbox lifecycle 管理，上层有 Orchard-SWE/GUI/Claw recipes。
- Data：107K coding trajectories、0.4K GUI distilled trajectories + 2.2K open-ended tasks、0.2K synthetic personal-assistant tasks。
- Evaluation：SWE-bench Verified 67.5% after SFT+RL；WebVoyager/Online-Mind2Web/DeepShop 74.1/67.0/64.0；Claw-Eval pass@3 59.6%。
- Contribution：把环境服务、轨迹数据、SFT/RL 和多 domain agent recipe 统一成可复用开源框架。
- 为什么重要：Lucian 的 agent 研究/工程最需要可复现的训练与评测闭环；Orchard 明确给出环境层、数据层和多个 agent domain 的 recipes。
- Quality note / 局限风险：结果很强，但系统复杂且依赖蒸馏轨迹、harness 和 domain recipes；需要复现实验确认开源可用性和成本。
- Lucian 下一步：优先读 full paper；复刻 Orchard Env 的最小子集：sandbox lifecycle + trajectory schema + one SWE recipe。
- 评分：Relevance 5/5；Novelty 5/5；Substance 5/5；Evidence 5/5；Actionability 5/5；Total 25/25

### 2. STALE: Can LLM Agents Know When Their Memories Are No Longer Valid?
- 链接：[2605.06527](https://arxiv.org/abs/2605.06527) / [PDF](https://arxiv.org/pdf/2605.06527)
- 作者/机构（可得时）：Hanxiang Chao, Yihan Bai, Rui Sheng, Tianle Li, Yushi Sun
- 日期：2026-05-07；来源：Hugging Face Daily Papers；类别：Computation and Language (cs.CL)
- 一句话结论：把 agent memory 的核心问题从“能否取回事实”推进到“能否判断旧记忆已经失效并更新行为”。
- Motivation：Large Language Model (LLM) agents are increasingly expected to maintain coherent, long-term personalized memory, yet current benchmarks primarily measure static fact retrieval, overlooking the ability to revise stored beliefs when new evidence emerges.
- Method：构造隐式冲突场景，测试 memory 是否能从新证据推断旧状态失效。
- Data：400 expert-validated scenarios、1,200 queries、100+ everyday topics、context up to 150K tokens。
- Evaluation：三维 probing：State Resolution、Premise Resistance、Implicit Policy Adaptation；最佳模型整体仅 55.2%。
- Contribution：提出 STALE benchmark 和 CUPMem baseline，凸显 state-aware memory 的必要性。
- 为什么重要：个性化 agent 长期运行时最容易失败的不是忘记，而是把过期偏好/状态继续当真；该 benchmark 直接命中 user-feedback agent 的状态更新问题。
- Quality note / 局限风险：提交日期早于本次窗口，因 HF Daily Papers 在目标日期推荐而纳入；还需看数据是否覆盖真实用户隐性状态变化。
- Lucian 下一步：把 STALE 的 State Resolution / Premise Resistance / Policy Adaptation 改写成小说/用户偏好 agent 的小型评测集。
- 评分：Relevance 5/5；Novelty 5/5；Substance 4/5；Evidence 5/5；Actionability 5/5；Total 24/25

### 3. FrontierSmith: Synthesizing Open-Ended Coding Problems at Scale
- 链接：[2605.14445](https://arxiv.org/abs/2605.14445) / [PDF](https://arxiv.org/pdf/2605.14445)
- 作者/机构（可得时）：Runyuan He, Qiuyang Mang, Shang Zhou, Kaiyuan Liu, Hanchen Li, Huanzhi Mao, Qizheng Zhang 等 17 位作者
- 日期：2026-05-14；来源：arXiv recent page + Hugging Face Daily Papers；类别：Machine Learning (cs.LG)
- 一句话结论：从 closed-ended 竞赛题自动演化 open-ended coding tasks，并证明合成数据能提升长程代码能力。
- Motivation：Many real-world coding challenges are open-ended and admit no known optimal solution.
- Method：从 closed-ended competitive programming seeds 演化 open-ended coding tasks，结合 idea divergence 选择多解题。
- Data：合成 open-ended problems；FrontierCS、ALE-bench；Qwen3.5-9B/27B training。
- Evaluation：Qwen3.5-9B：FrontierCS +8.82、ALE-bench +306.36 Elo；27B：+12.12、+309.12。
- Contribution：说明长程开放式 coding data 可通过自动化 problem evolution 扩展。
- 为什么重要：coding agent 的训练数据正在从标准 bugfix 转向开放式、长程、可多解任务；这对合成任务 pipeline 很有启发。
- Quality note / 局限风险：合成 open-ended tasks 的 verifier 质量决定上限；训练收益需要防止 benchmark-specific overfitting。
- Lucian 下一步：为 coding agent 生成 20 个 open-ended repo tasks，保留 verifier/solver 多样性指标。
- 评分：Relevance 5/5；Novelty 4/5；Substance 5/5；Evidence 4/5；Actionability 5/5；Total 23/25

### 4. Self-Distilled Agentic Reinforcement Learning
- 链接：[2605.15155](https://arxiv.org/abs/2605.15155) / [PDF](https://arxiv.org/pdf/2605.15155)
- 作者/机构（可得时）：Zhengxi Lu, Zhiyuan Yao, Zhuowen Han, Zi-Han Wang, Jinyang Wu, Qi Gu, Xunliang Cai 等 11 位作者
- 日期：2026-05-14；来源：arXiv recent page + Hugging Face Daily Papers；类别：Machine Learning (cs.LG) ; Artificial Intelligence (cs.AI); Computation and Language (cs.CL)
- 一句话结论：提出 SDAR，在多轮 agent RL 中用 gated self-distillation 缓解稀疏轨迹奖励和 naive OPSD 不稳定。
- Motivation：Reinforcement learning (RL) has emerged as a central paradigm for post-training LLM agents, yet its trajectory-level reward signal provides only coarse supervision for long-horizon interaction.
- Method：在 RL 主干上加入 gated OPSD auxiliary objective，以 token-level teacher signal 改善长程轨迹学习。
- Data：Qwen2.5/Qwen3 model families；ALFWorld、WebShop、Search-QA。
- Evaluation：相对 GRPO：ALFWorld +9.4%、Search-QA +7.0%、WebShop-Acc +10.2%，且避免 naive GRPO+OPSD 不稳定。
- Contribution：给 agent RL 提供了比纯轨迹奖励更密集但可控的 self-distillation 机制。
- 为什么重要：agent RL 的 credit assignment 和长程多轮不稳定是后续训练框架核心瓶颈；该文给出可实验的 OPSD+RL 组合。
- Quality note / 局限风险：实验集中在 ALFWorld/WebShop/Search-QA；真实 coding/OS agent 是否同样稳定仍需验证。
- Lucian 下一步：把 SDAR 作为 GRPO baseline 的改进候选，先在 WebShop/AppWorld 小任务上做低成本复现。
- 评分：Relevance 5/5；Novelty 4/5；Substance 5/5；Evidence 5/5；Actionability 4/5；Total 23/25

### 5. PREPING: Building Agent Memory without Tasks
- 链接：[2605.13880](https://arxiv.org/abs/2605.13880) / [PDF](https://arxiv.org/pdf/2605.13880)
- 作者/机构（可得时）：Yumin Choi, Sangwoo Park, Minki Kang, Jinheon Baek, Sung Ju Hwang
- 日期：2026-05-11；来源：arXiv recent page + Hugging Face Daily Papers；类别：Artificial Intelligence (cs.AI) ; Computation and Language (cs.CL)
- 一句话结论：在没有目标任务经验前，通过 proposer-guided synthetic practice 预构建 procedural memory。
- Motivation：Agent memory is typically constructed either offline from curated demonstrations or online from post-deployment interactions.
- Method：Proposer 生成 synthetic practice，Solver 执行，Validator 决定轨迹是否写入 memory，并把反馈回流给 Proposer。
- Data：AppWorld、BFCL v3、MCP-Universe。
- Evaluation：优于 no-memory baseline，接近 playbook-based methods；AppWorld/BFCL v3 成本较 online memory construction 低 2.99×/2.23×。
- Contribution：把 agent procedural memory 的冷启动问题变成受控 pre-task practice。
- 为什么重要：冷启动 procedural memory 是部署 agent 前的现实痛点；Preping 证明 practice control 比单纯 synthetic volume 更重要。
- Quality note / 局限风险：提交日期早于窗口，因 HF Daily Papers 在目标日期推荐而纳入；synthetic practice 对真实部署环境的覆盖仍是风险。
- Lucian 下一步：在个人研究 agent 中加入 pre-task synthetic practice：先让 agent 练习检索/写卡/引用，再进入真实任务。
- 评分：Relevance 5/5；Novelty 4/5；Substance 4/5；Evidence 4/5；Actionability 5/5；Total 22/25

### 6. MemEye: A Visual-Centric Evaluation Framework for Multimodal Agent Memory
- 链接：[2605.15128](https://arxiv.org/abs/2605.15128) / [PDF](https://arxiv.org/pdf/2605.15128)
- 作者/机构（可得时）：Minghao Guo, Qingyue Jiao, Zeru Shi, Yihao Quan, Boxuan Zhang, Danrui Li, Liwei Che 等 17 位作者
- 日期：2026-05-14；来源：arXiv recent page + Hugging Face Daily Papers；类别：Computer Vision and Pattern Recognition (cs.CV) ; Computation and Language (cs.CL); Information Retrieval (cs.IR)
- 一句话结论：把多模态长期记忆评测拆成视觉证据粒度与证据使用方式，专门压测 agent 是否真的保存关键视觉信息。
- Motivation：Long-term agent memory is increasingly multimodal, yet existing evaluations rarely test whether agents preserve the visual evidence needed for later reasoning.
- Method：用“视觉证据粒度 × 证据使用方式”二维框架评估长期多模态 memory。
- Data：8 life-scenario tasks；13 memory methods；4 VLM backbones；含 answerability/shortcut/visual necessity validation gates。
- Evaluation：发现当前架构难以保存 fine-grained visual details 并推理 state changes。
- Contribution：把 multimodal agent memory 的评测从 caption retrieval 推进到视觉证据路由与时间状态跟踪。
- 为什么重要：多模态 agent memory 不能只存 caption；如果要做个人生活/网页/图像记忆，需要这种 visual necessity 与 state-change 评测。
- Quality note / 局限风险：46 页 benchmark 很重，作为工程回归测试时要抽取轻量 subset。
- Lucian 下一步：抽取 20 个视觉证据粒度案例，测试现有 memory pipeline 是否只保存 caption 而丢失关键视觉状态。
- 评分：Relevance 5/5；Novelty 4/5；Substance 4/5；Evidence 5/5；Actionability 4/5；Total 22/25

### 7. MemLens: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models
- 链接：[2605.14906](https://arxiv.org/abs/2605.14906) / [PDF](https://arxiv.org/pdf/2605.14906)
- 作者/机构（可得时）：Xiyu Ren, Zhaowei Wang, Yiming Du, Zhongwei Xie, Chi Liu, Xinlin Yang, Haoyue Feng 等 14 位作者
- 日期：2026-05-14；来源：arXiv recent page + Hugging Face Daily Papers；类别：Computer Vision and Pattern Recognition (cs.CV)
- 一句话结论：系统比较 long-context LVLM 与 memory-augmented agents 在多会话、多模态记忆上的互补短板。
- Motivation：Memory is essential for large vision-language models (LVLMs) to handle long, multimodal interactions, with two method directions providing this capability: long-context LVLMs and memory-augmented agents.
- Method：比较 long-context LVLMs 与 memory-augmented agents 在多会话视觉记忆上的能力边界。
- Data：MEMLENS：789 questions、五类 memory abilities、32K–256K context lengths。
- Evaluation：image ablation 使两类 frontier LVLM 在 80.4% 需图像证据问题上跌到 2% 以下；multi-session reasoning 多数系统低于 30%。
- Contribution：指出 long-context 与 structured multimodal retrieval 需要混合，而不是二选一。
- 为什么重要：长上下文和外部记忆究竟如何互补，是设计 memory architecture 的关键取舍；MEMLENS 给出强对照。
- Quality note / 局限风险：Work in progress；多模态数据构造和图像证据标注质量需要进一步核查。
- Lucian 下一步：记录 32K/64K/128K 多会话设置，比较 long-context vs retrieval memory 在本地小说/研究场景的混合策略。
- 评分：Relevance 5/5；Novelty 4/5；Substance 4/5；Evidence 5/5；Actionability 4/5；Total 22/25

### 8. FutureSim: Replaying World Events to Evaluate Adaptive Agents
- 链接：[2605.15188](https://arxiv.org/abs/2605.15188) / [PDF](https://arxiv.org/pdf/2605.15188)
- 作者/机构（可得时）：Shashwat Goel, Nikhil Chandak, Arvindh Arun, Ameya Prabhu, Steffen Staab, Moritz Hardt, Maksym Andriushchenko 等 8 位作者
- 日期：2026-05-14；来源：arXiv recent page + Hugging Face Daily Papers；类别：Machine Learning (cs.LG) ; Artificial Intelligence (cs.AI); Computation and Language (cs.CL)
- 一句话结论：用真实新闻时间线 replay 评估 agent 对开放世界变化的预测、搜索、记忆和不确定性推理。
- Motivation：AI agents are being increasingly deployed in dynamic, open-ended environments that require adapting to new information as it arrives.
- Method：以真实新闻按时间 replay 构造 grounded simulation，评估 agent 对开放世界事件的连续适应。
- Data：2026-01 至 2026-03 三个月真实 news/articles/questions replay。
- Evaluation：frontier agents 最佳 accuracy 25%，很多 Brier skill score 比不预测还差。
- Contribution：给 long-horizon test-time adaptation、search、memory、不确定性推理提供现实评测框架。
- 为什么重要：开放世界 agent 需要处理连续信息流和知识截止之后的变化；FutureSim 是更贴近真实研究助理/交易助理的评测形态。
- Quality note / 局限风险：评测依赖真实新闻 replay 与 frontier harness，复现成本可能较高，且 prediction scoring 未必覆盖任务执行能力。
- Lucian 下一步：用已有 AI/finance digest 数据做一个 mini-FutureSim：按时间释放新闻，评估研究 agent 的预测和更新能力。
- 评分：Relevance 5/5；Novelty 5/5；Substance 4/5；Evidence 4/5；Actionability 4/5；Total 22/25

### 9. SWE-Chain: Benchmarking Coding Agents on Chained Release-Level Package Upgrades
- 链接：[2605.14415](https://arxiv.org/abs/2605.14415) / [PDF](https://arxiv.org/pdf/2605.14415)
- 作者/机构（可得时）：Man Ho Lam, Chaozheng Wang, Hange Liu, Jingyu Xiao, Haau-sing Li, Jen-tse Huang, Terry Yue Zhuo 等 8 位作者
- 日期：2026-05-14；来源：arXiv recent page；类别：Software Engineering (cs.SE) ; Artificial Intelligence (cs.AI); Computation and Language (cs.CL)
- 一句话结论：把 coding agent 评测推进到连续 package release upgrades，衡量多版本链式维护能力。
- Motivation：Coding agents powered by large language models are increasingly expected to perform realistic software maintenance tasks beyond isolated issue resolution.
- Method：构造 chained release-level package upgrade benchmark，每次 transition 继承前一版本代码状态。
- Data：12 upgrade chains、9 Python packages、155 version transitions、1,660 grounded requirements。
- Evaluation：9 个 frontier agent-model configs 平均 resolving 44.8%、precision 65.4%、F1 50.2%；Claude-Opus-4.7/Claude Code resolving 60.8%。
- Contribution：比单 issue 更真实地衡量 coding agent 连续维护与回归风险。
- 为什么重要：链式 release upgrade 比单 issue 更接近长期维护；它能暴露 agent 在连续状态和回归风险上的短板。
- Quality note / 局限风险：155 transitions 规模适中，可能还不足以覆盖大型 monorepo 和跨语言升级。
- Lucian 下一步：用一个小 Python 包构造 3-step release chain，测试 Hermes/Codex/Claude Code 的连续升级回归。
- 评分：Relevance 5/5；Novelty 4/5；Substance 4/5；Evidence 5/5；Actionability 4/5；Total 22/25

### 10. RewardHarness: Self-Evolving Agentic Post-Training
- 链接：[2605.08703](https://arxiv.org/abs/2605.08703) / [PDF](https://arxiv.org/pdf/2605.08703)
- 作者/机构（可得时）：Yuxuan Zhang, Penghui Du, Bo Li, Cong Wei, Junwen Miao, Huaisong Zhang, Songcheng Cai 等 14 位作者
- 日期：2026-05-09；来源：Hugging Face Daily Papers；类别：Artificial Intelligence (cs.AI) ; Computation and Language (cs.CL); Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG)
- 一句话结论：用可演化工具/技能库学习 reward judging，为少量偏好数据驱动的 agentic reward 与 GRPO 微调提供强参考。
- Motivation：Evaluating instruction-guided image edits requires rewards that reflect subtle human preferences, yet current reward models typically depend on large-scale preference annotation and additional model training.
- Method：把 reward modeling 改写为 context/tool/skill library 的自演化，而非训练新 reward model 权重。
- Data：仅 100 preference demonstrations，约 EditReward preference data 的 0.05%。
- Evaluation：image-editing evaluation 平均准确率 47.4%，超过 GPT-5 5.3 points；作为 GRPO reward 后 ImgEdit-Bench 3.52。
- Contribution：证明少量偏好样本可通过 agentic context evolution 形成可用 reward signal。
- 为什么重要：它把 reward model 从大规模标注训练改造成 context/tool/skill evolution，和“少量反馈→可用偏好信号”的研究路线高度相关。
- Quality note / 局限风险：主要任务是 image editing reward，迁移到文本/小说/研究 agent 偏好需要重新设计工具库与判定 schema。
- Lucian 下一步：尝试把 RewardHarness 的“tool/skill library + frozen judge”改成文本偏好 reward，用 50–100 条 Lucian 风格反馈做 smoke test。
- 评分：Relevance 4/5；Novelty 5/5；Substance 4/5；Evidence 4/5；Actionability 5/5；Total 22/25

### 11. Remember Your Trace: Memory-Guided Long-Horizon Agentic Framework for Consistent and Hierarchical Repository-Level Code Documentation
- 链接：[2605.14563](https://arxiv.org/abs/2605.14563) / [PDF](https://arxiv.org/pdf/2605.14563)
- 作者/机构（可得时）：Suyoung Bae, Jaehoon Lee, Changkyu Choi, YunSeok Choi, Jee-Hyong Lee
- 日期：2026-05-14；来源：arXiv recent page；类别：Software Engineering (cs.SE) ; Computation and Language (cs.CL)
- 一句话结论：把 repository documentation 变成长程 agent 任务，用共享 RepoMemory 保持跨文件一致性与层级结构。
- Motivation：Automated code documentation is essential for modern software development, providing the contextual grounding that both human developers and coding agents rely on to navigate large codebases.
- Method：MemDocAgent 用 dependency-aware traversal + RepoMemory read/write/verify 生成层级化 repo 文档。
- Data：真实 software development workflows；open/closed-source baselines。
- Evaluation：多准则评估中优于 baselines，并减少独立处理组件导致的冗余和冲突。
- Contribution：把 repository-level docs 作为长程 agent memory/traversal 任务，实践价值高。
- 为什么重要：代码库理解、文档与 agent memory 可以互相增强，是把 coding agent 落地到真实 repo 的实用方向。
- Quality note / 局限风险：领域集中在文档生成，不等价于全 SWE 修复；但 memory/traversal 方法可迁移。
- Lucian 下一步：把 RepoMemory 的 read/write/verify 接口映射到 fjai.pw 项目文档生成，做一次 repository-level docs baseline。
- 评分：Relevance 4/5；Novelty 4/5；Substance 4/5；Evidence 4/5；Actionability 5/5；Total 21/25

### 12. CRANE: Constrained Reasoning Injection for Code Agents via Nullspace Editing
- 链接：[2605.14084](https://arxiv.org/abs/2605.14084) / [PDF](https://arxiv.org/pdf/2605.14084)
- 作者/机构（可得时）：Mingzhi Zhu, Michele Merler, Raju Pavuluri, Stacy Patterson
- 日期：2026-05-13；来源：arXiv recent page；类别：Software Engineering (cs.SE) ; Artificial Intelligence (cs.AI); Computation and Language (cs.CL)
- 一句话结论：用 training-free nullspace editing 将 Thinking checkpoint 的推理能力注入 Instruct code agent，同时保留工具格式。
- Motivation：Code agents must both reason over long-horizon repository state and obey strict tool-use protocols.
- Method：从 Thinking-Instruct delta 中筛选 reasoning edits，经 Conservative Taylor Gate 与 Sigmoidal Projection 保留 tool format。
- Data：Qwen3-30B-A3B、Qwen3-Next-80B-A3B；Roo-Eval、SWE-bench Verified、Terminal-Bench v2。
- Evaluation：Roo-Eval pass1 66.2% (+19.5) / 81.5% (+8.7)；SWE-bench Verified 最多多解决 14 题。
- Contribution：展示 training-free code-agent model editing 可以在推理能力和工具纪律之间折中。
- 为什么重要：无需重新训练即可合并 reasoning/tool discipline，对快速构造本地 coding agent baseline 有工程价值。
- Quality note / 局限风险：参数编辑收益可能依赖成对 Instruct/Thinking checkpoint；对闭源模型不可用。
- Lucian 下一步：若有 Qwen3 paired checkpoints，可用 CRANE 作为无需 RL 的 code-agent merge baseline。
- 评分：Relevance 4/5；Novelty 4/5；Substance 4/5；Evidence 4/5；Actionability 4/5；Total 20/25

### 13. Prompting Policies for Multi-step Reasoning and Tool-Use in Black-box LLMs with Iterative Distillation of Experience
- 链接：[2605.14443](https://arxiv.org/abs/2605.14443) / [PDF](https://arxiv.org/pdf/2605.14443)
- 作者/机构（可得时）：Krishna Sayana, Ketan Todi, Ambarish Jash
- 日期：2026-05-14；来源：arXiv recent page；类别：Artificial Intelligence (cs.AI) ; Machine Learning (cs.LG); Multiagent Systems (cs.MA)
- 一句话结论：用轻量 prompter policy 与 critique buffer 将多步推理/工具使用 prompt refinement 蒸馏成一次性策略。
- Motivation：The shift toward interacting with frozen, "black-box" Large Language Models (LLMs) has transformed prompt engineering from a heuristic exercise into a critical optimization challenge.
- Method：训练 lightweight prompter model，通过 contrastive experience buffer 把 critique/reward 蒸馏成 prompting policy。
- Data：BBEH 与 Tau-bench 多步推理/工具任务。
- Evaluation：逻辑推理 55%→90%，工具使用 74%→91%；优于 GEPA 等 evolutionary baselines。
- Contribution：将 prompt optimization 系统化为可学习 policy，适合 black-box LLM agents。
- 为什么重要：如果 Lucian 做工具 agent，prompt policy 可以作为比手写 prompt 更系统的 lightweight optimizer。
- Quality note / 局限风险：需要训练 prompter policy，样本效率虽高但仍比直接 prompt engineering 更复杂。
- Lucian 下一步：把 prompt policy 视作可学习 planner，先用 Tau-bench 风格工具任务做离线 prompt evolution。
- 评分：Relevance 4/5；Novelty 4/5；Substance 4/5；Evidence 4/5；Actionability 4/5；Total 20/25

### 14. Why Neighborhoods Matter: Traversal Context and Provenance in Agentic GraphRAG
- 链接：[2605.15109](https://arxiv.org/abs/2605.15109) / [PDF](https://arxiv.org/pdf/2605.15109)
- 作者/机构（可得时）：Riccardo Terrenzi, Maximilian von Zastrow, Serkan Ayvaz
- 日期：2026-05-14；来源：arXiv recent page；类别：Artificial Intelligence (cs.AI) ; Information Retrieval (cs.IR)
- 一句话结论：指出 Agentic GraphRAG 的引用 faithful 不只看最终 cited sources，还要覆盖 traversal context 与 provenance。
- Motivation：Retrieval-Augmented Generation can improve factuality by grounding answers in external evidence, but Agentic GraphRAG complicates what it means for citations to be faithful.
- Method：对 Agentic GraphRAG 做 cited/uncited/visited node ablations，衡量 final answer 对 traversal context 的依赖。
- Data：controlled ablation experiments on graph traversal and citation sets。
- Evaluation：移除 cited evidence 会显著改变答案并降准确率，但 uncited traversal context 也常影响正确答案。
- Contribution：提出 citation faithfulness 应覆盖 trajectory-level provenance，而非只验证最终 citation。
- 为什么重要：GraphRAG 在 agentic traversal 里经常“答案对但出处不完整”，该文把 provenance 评测问题说清楚。
- Quality note / 局限风险：7 页 workshop 风格短文，方法偏诊断/评测，尚不是完整 GraphRAG 系统。
- Lucian 下一步：为 GraphRAG 输出增加 trajectory provenance 字段：visited nodes、cited nodes、uncited-but-influential nodes。
- 评分：Relevance 4/5；Novelty 4/5；Substance 3/5；Evidence 4/5；Actionability 4/5；Total 19/25

### 15. From Text to Voice: A Reproducible and Verifiable Framework for Evaluating Tool Calling LLM Agents
- 链接：[2605.15104](https://arxiv.org/abs/2605.15104) / [PDF](https://arxiv.org/pdf/2605.15104)
- 作者/机构（可得时）：Md Tahmid Rahman Laskar, Xue-Yong Fu, Seyyed Saeed Sarfjoo, Quinten McNamara, Jonas Robertson, Shashi Bhushan TN
- 日期：2026-05-14；来源：arXiv recent page；类别：Computation and Language (cs.CL)
- 一句话结论：把文本工具调用 benchmark 可验证地转成语音工具调用评测，补足 voice agents 的第一阶段诊断。
- Motivation：Voice agents increasingly require reliable tool use from speech, whereas prominent tool-calling benchmarks remain text-based.
- Method：用 TTS、speaker variation、noise 把文本工具调用 benchmark 转成 paired text-audio instances，保留原 gold labels。
- Data：Confetti 与 When2Call audio-converted versions；7 omni-modal models。
- Evaluation：Gemini-3.1-Flash-Live Confetti 70.4；GPT-Realtime-1.5 When2Call 71.9；text-to-voice gap 1.8–4.8 points。
- Contribution：为 voice agents 提供可复现、可验证的 tool-call diagnostic。
- 为什么重要：voice + tool use 是下一代 personal assistant 的入口；它提供了低成本从 text benchmark 到 audio benchmark 的方法。
- Quality note / 局限风险：TTS 转换保留 schema/gold labels，但真实语音交互还会有打断、ASR、延迟与多轮纠错。
- Lucian 下一步：把已有 text tool-call tests 转成 TTS 音频，先测开源 omni models 的 argument extraction 错误。
- 评分：Relevance 4/5；Novelty 3/5；Substance 4/5；Evidence 4/5；Actionability 4/5；Total 19/25

## 版本更新提醒

- 本次没有发现此前已囊括论文在目标窗口内出现明确重大方法/实验变化；`2605.10912 WildClawBench` 已在 2026-05-12 seen_papers.json 中记录，HF 今日仍出现，按规则不重复纳入 Top Picks。

## 今日未纳入但可观察论文

- **[Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems](https://arxiv.org/abs/2605.14892)**：LLM-based autonomous agents have demonstrated strong capabilities in reasoning, planning, and tool use, yet remain limited when tasks require sustained coordination across roles, tools, and environments.
- **[GroupMemBench: Benchmarking LLM Agent Memory in Multi-Party Conversations](https://arxiv.org/abs/2605.14498)**：Large Language Model (LLM) agents increasingly serve as personal assistants and workplace collaborators, where their utility depends on memory systems that extract, retrieve, and apply information across long-running conversations.
- **[$π$-Bench: Evaluating Proactive Personal Assistant Agents in Long-Horizon Workflows](https://arxiv.org/abs/2605.14678)**：The rise of personal assistant agents, e.g., OpenClaw, highlights the growing potential of large language models to support users across everyday life and work.
- **[Holistic Evaluation and Failure Diagnosis of AI Agents](https://arxiv.org/abs/2605.14865)**：AI agents execute complex multi-step processes, but current evaluation falls short: outcome metrics report success or failure without explaining why, and process-level approaches struggle to connect failure types to their precise locations within long, structured traces.
- **[Resolving Action Bottleneck: Agentic Reinforcement Learning Informed by Token-Level Energy](https://arxiv.org/abs/2605.14558)**：Agentic reinforcement learning trains large language models using multi-turn trajectories that interleave long reasoning traces with short environment-facing actions.
- **[Web Agents Should Adopt the Plan-Then-Execute Paradigm](https://arxiv.org/abs/2605.14290)**：ReAct has become the default architecture across LLM agents, and many existing web agents follow this paradigm.
- **[Do Coding Agents Understand Least-Privilege Authorization?](https://arxiv.org/abs/2605.14859)**：As coding agents gain access to shells, repositories, and user files, least-privilege authorization becomes a prerequisite for safe deployment: an agent should receive enough authority to complete the task, without unnecessary authority that exposes sensitive this http URL study whether current models can infer this boundary themselves, we first introduce permission-boundary inference, where a model maps a task instruction and terminal environment to a file-level read/write/execute policy, and AuthBench, a benchmark of 120 realistic terminal tasks with human-reviewed permission labels and executable validators for utility and attack this http URL shows that authorization is not a simple conservative-versus-permissive calibration problem: frontier models often omit permissions required by the execution chain while also granting unused or sensitive this http URL inference-time reasoning does not resolve this mismatch.
- **[MemLineage: Lineage-Guided Enforcement for LLM Agent Memory](https://arxiv.org/abs/2605.14421)**：We introduce MemLineage, a defense for LLM agent memory that attaches both cryptographic provenance and LLM-mediated derivation lineage to every entry.

## 数据源失败或不确定性说明

- arXiv export API 用小批量 category probe 成功；但在尝试一次性抓取大 OR 查询和 selected-id 批量 query 时出现 429/503，因此候选发现回退到 arXiv 官方 `list/<cat>/recent?show=250` 页面，并用每篇 `arxiv.org/abs/<id>` 页面补齐摘要。
- Hugging Face Daily Papers `https://huggingface.co/papers/date/2026-05-15` 与 `2026-05-16` 可访问；页面当前嵌入的 daily entries 均为 submittedOnDailyAt=2026-05-15，因此本期 HF 热度补充以 2026-05-15 为主。
- arXiv 页面显示 Submitted on 14/11/9/7 May 的少数论文，是因为 HF Daily Papers 在目标日期推荐旧提交论文；日报按“目标日期可见且未囊括”处理，并在对应条目标注来源。

## 附录：检索式 / 过滤规则 / 去重状态摘要

- arXiv 类别：`cs.AI`, `cs.CL`, `cs.CV`, `cs.LG`, `stat.ML`, `cs.RO`, `cs.IR`, `cs.HC`, `eess.AS`, `cs.SE`, `cs.MA`。
- 时间过滤：以北京时间目标自然日 2026-05-15、2026-05-16 为报告窗口；arXiv release heading 当前为 Fri, 15 May 2026。
- 去重：读取 `public/reports/ai-paper-daily/seen_papers.json`，并扫描 `public/reports/ai-paper-daily/`、`public/modules/ai/papers/`、`reports/ai-paper-daily/` 中既有 Markdown/HTML/JSON；arXiv ID 去版本号，标题做 NFKC/lowercase/去标点/压缩空白。
- 历史状态文件：`/root/code/vepfs/hermes/fjai.pw/public/reports/ai-paper-daily/seen_papers.json`；本次将 15 篇精选写入状态。