- 1. ToolRec: Calibrated Preference Alignment for Query Recommendation in On-Device Assistants
LLM 显著提升了生成式 query 推荐，但已有对齐多面向标准 chatbot，不适配端侧助手——用户主要期望快速调起系统级工具。直接用真实点击日志对齐会因用户活跃度差异、未强调执行导向 query 引入严重噪声。ToolRec 提出校准的偏好对齐，面向 on-device 助手的工具调用 query 推荐。
出现于日报：06-09
- 2. TrustMargin: Training-Free Arbitration between Parametric Memory and Retrieved Evidence in Large Language Models
LLM 回答知识密集问题同时用参数化记忆与检索证据，但两者都非一致可靠：检索能补空缺，干扰段落也可能盖过正确的闭卷答案。本文把这种生成后的来源冲突建模为答案级来源仲裁：给定同一冻结模型的 Direct 与 RAG 答案，判定信哪个。提出 TrustMargin，免训练、即插即用。
出现于日报：06-09
- 3. PBSD: Privileged Bayesian Self-Distillation for Long-Horizon Credit Assignment
针对多轮搜索 agent 的长程信用分配难题——轨迹级奖励只验证最终答案对错，无法判断中间哪一步推理或工具调用真正有贡献（成功轨迹里可能混入误导动作，失败轨迹里可能藏着有价值的取证步骤）。PBSD 用“特权贝叶斯自蒸馏”把答案侧难估计的后验/先验概率比，经贝叶斯公式转成标准 student 模型与“已知答案”的特权 teacher 模型之间可计算的似然比，再按自回归分解得到每一轮的信用信号…
出现于日报：06-10
- 4. Hardening Agent Benchmarks with Adversarial Hacker-Fixer Loops
agent benchmark 普遍用人工编写的 outcome verifier 打分，脆弱且容易被 reward hacking。作者审计了 5 个 terminal-agent benchmark 的 1968 个任务，发现 323 个（16%）仅凭任务描述就能被前沿模型钻空子，污染排行榜与 RL 训练信号。提出 hacker–fixer–solver 三 agent 交替的循环：hacker 试图不解题就骗过…
出现于日报：06-10
- 5. GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation
针对 RAG 在多源、复杂查询下语义检索难以召回完整证据的问题，提出 GraphER：在查询时依据数据的组织结构与邻近关系临时构建图，再用图排序挑选 top 文档。方法不需要额外的图数据库基建，可直接接入现有向量库，引入的查询延迟开销很小。在表格检索、多跳检索、长文档三类基准上检索完整性持续提升。
出现于日报：06-13
- 6. Agent-Orchestrated Adaptive RAG: A Comparative Study on Structured and Multi-Hop Retrieval
系统对比了把 agentic 能力（动态查询拆解、迭代检索、带上限的自反思评估环）加到 RAG 上的实际收益。在 DevOps 知识库与 MuSiQue 多跳基准上发现：查询拆解在结构化领域提升明显（DevOps 总分 +0.04、MRR +0.17），却会拉低多跳任务的排序精度；自反思提升了引用准确率但带来显著延迟。作者结论是 agentic 增强并非普遍有益，应按查询特征做成本敏感的选择性启用。
出现于日报：06-13
- 7. Reasoning Arena: Trace Tournaments When Verifiable Rewards Fall Short
RLVR（可验证奖励强化学习）常在 group 层面失效——同一 prompt 采样的所有轨迹拿到相同奖励时，group-relative advantage 没有梯度，即便这些轨迹推理质量差别很大。Reasoning Arena 把这类“零优势”组路由给 judge 做 trace tournament：每条新轨迹只与动态维护的少量 anchor 轨迹两两对比，再用 Bradley-Terry 模型在不完全对比图上拟合排序…
出现于日报：06-10
- 8. Experience Makes Skillful: Enabling Generalizable Medical Agent Reasoning via Self-Evolving Skill Memory
医疗 agent 要在连续病例中复用经验，但现有 memory 多保留冗余、嘈杂的原始 trace，且分不清哪些记忆对未来推理真正有用。SkeMex 是部署后自进化框架，不更新模型权重，把有信息量的交互轨迹蒸馏成结构化“技能”（可复用的程序性知识），按 general / task-specific / action-level 组织成多分支仓库…
出现于日报：06-10
- 9. VisualLeakBench: Reproducible Action-Boundary Propagation Failures in Vision-Language Agents
视觉-语言 agent 在写入 memory、发消息、调工具前会先“看”截图、文档、UI，由此产生一类具体失效：action-boundary propagation——图像里的敏感/不安全文本被原样复制进下游工具参数。作者构建 VisualLeakBench（500 张图，覆盖 UI/聊天/文档/表单/仪表盘 5 类场景），在 4 个生产级 VLM 系统、note capture 与 external handoff…
出现于日报：06-10
- 10. Decoy-Calibrated Failure Audits for Language Models
模型审计不仅要知道失败率，更要定位失败集中在哪——但审计者会试很多候选解释（长输入、间接提问、干扰证据……），最大效应可能只是“试得多了碰上的最优”，存在 selection 偏差。Janus 给每个 descriptor（误差解释）算 error-rate lift，再与频率相同但随机分配的 decoy 对比：只有在发现集上击败 decoy floor、且在独立 held-out 数据上复现，才确认为真发现…
出现于日报：06-10