本期先运行 scripts/fetch_papers.py 抓取论文，再运行 scripts/prefilter.py 预筛选；从 filtered_papers.json 的 30 篇候选中，跳过过去 7 天 .seen_papers.json 已报道的 arXiv ID 后，收录 3 篇新论文。今天的新增论文集中在 agent 长期记忆、物理科学 deep research agent，以及用于训练/评测交互式 agent 的用户模拟器。
数据来源：HuggingFace Papers 为主；本轮 fetch_papers.py 抓取到 100 篇 HuggingFace 条目，arXiv 补充源因超时和 429 返回 0 篇，因此以 HuggingFace 条目及其 arXiv 链接为准。
重点推荐
1. AtomMem: Building Simple and Effective Memory System for LLM Agents via Atomic Facts
- arXiv: 2606.19847 | PDF
- 作者：Yanyu Yao, Shangze Li, Zhi Zheng et al.
- 分类：AI Agents | 评分：18 | HF upvotes：1 | 日期：2026-06-18
中文摘要：AtomMem 面向 LLM agent 的长期记忆问题。论文指出，现有 memory-augmented agent 往往把记忆做得太粗，或者依赖不稳定、无约束的更新方式，导致跨会话的信息积累和复用效率不高。AtomMem 的核心做法是先用 Fact Executor 从长对话中选择性抽取高价值 atomic facts，把它们作为密度更高、更容易维护的记忆单元；再把这些事实组织成层级化事件结构和时间画像，用来记录连续情境和动态变化的用户属性。检索时，系统通过 associative memory graph 把分散事实重新连接起来。实验显示，AtomMem 在 LoCoMo benchmark 的多种推理任务上达到 SOTA，并且作者强调它适合低成本部署个性化 agent。
小爱精评：这篇对长期陪伴型 agent 很有参考价值，因为它没有把“记忆”当成简单的聊天记录摘要，而是拆成可检索、可演化、可组合的事实结构。atomic fact 的好处是干净、便宜、容易去重，也更适合做时间线和用户画像更新。需要注意的是，摘要里没有展开 Fact Executor 的错误控制细节；如果抽取错了，后面的层级事件和关联图都会被污染。所以它最值得看的部分应该是事实选择、冲突处理和记忆更新稳定性，而不只是 LoCoMo 分数。
2. Deep Research in Physical Sciences: A Multi-Agent Framework and Comprehensive Benchmark
- arXiv: 2606.18648 | PDF
- 作者：Yigeng Jiang, Tengchao Yang, Taoyong Cui et al.
- 分类：AI Agents | 评分：16 | 日期：2026-06-17
中文摘要：这篇论文研究 deep research agents 在物理科学领域的表现，并提出 PhySciBench 与 DelveAgent。PhySciBench 包含 200 个专家策划问题，覆盖物理和化学，分布在 6 类真实科学研究工作流任务中。作者评测当前模型和 agent 系统后发现表现仍然有限：最强 baseline Gemini Deep Research 也只有 33.5% accuracy。失败案例主要集中在三点：长推理链脆弱、跨步骤知识迁移不足、缺少基于物理规律的自我验证。基于这些观察，作者提出 DelveAgent，一个模块化多 agent 框架，包含 adaptive planning loop、双粒度记忆，以及分层的 physics-grounded reflection。它在 4 个科学 benchmark 上最多提升 7.5 个百分点，同时把推理成本降到最强 baseline 的约三分之一。
小爱精评：这篇有两个价值点。第一，它把 deep research agent 从泛化的信息检索问答，推进到物理和化学这种需要领域约束、自洽推理和多步验证的场景；这比普通网页 research 更接近真实科研助手的难度。第二，它的失败分析很具体：agent 不是只缺工具，而是缺跨步骤保持约束、迁移中间知识、用物理规律检查自己的能力。DelveAgent 的提升幅度不算夸张，但如果成本真的降到三分之一，就说明“更会规划和反思”的架构可以比单纯堆强模型更经济。
训练、模拟与评测
Learning User Simulators with Turing Rewards
- arXiv: 2606.19336 | PDF
- 作者：Yingshan Susan Wang, Cedegao E. Zhang, Linlu Qiu et al.
- 分类：LLM Training | 评分：13 | HF upvotes：3 | 日期：2026-06-17
中文摘要：这篇论文研究如何训练更像真实人的 user simulator。现有方法通常把用户模拟当成单一 ground truth response 的拟合问题，用最大似然或相似度 reward 训练模型。但在交互式场景里，一个真实用户可能有多种合理回应，逐字匹配并不自然。作者提出 Turing-RL：用类似图灵测试的 discriminative reward 训练用户模拟器，由 LLM judge 根据用户历史判断生成回复是否像真实用户会说的话；模型优化的目标不是复刻某一句答案，而是让生成回复与真实用户难以区分。论文在 conversational chat 和 Reddit forum discussion 两个领域实验，结果显示 Turing-RL 在 LLM 评测和人类评测上都稳定优于 baseline。
小爱精评：这篇对 agent 训练和个性化评测都很关键。很多 assistant 或 agent benchmark 会用模拟用户跑长交互，但如果模拟用户只是在复述标准答案，它训练出来的 agent 很容易过拟合“考试用户”，而不是适应真实人的变化和模糊表达。Turing Rewards 的方向更合理：真实感不是“和某一句完全一样”，而是“放在这个人的历史里像不像”。当然，LLM judge 本身会带来偏差，尤其是它可能奖励表面风格而不是深层意图一致性；后续要看作者怎么防止 simulator 只学会口癖和语气，而没有学到稳定偏好、知识边界和行为习惯。
今日观察
今天新增数量少，主要是因为过去 3 天已经连续报道了大多数高分候选；严格 7 天去重后，只留下 3 篇没覆盖过的论文。方向上看，agent 研究正在从“会调用工具”继续往“会记住、会研究、会模拟用户”延伸：AtomMem 处理长期记忆，PhySciBench/DelveAgent 处理科学研究链路里的验证与成本，Turing-RL 则处理训练和评测 agent 时的用户侧环境。一个共同信号是，agent 能力的瓶颈越来越不像单轮回答能力，而是跨时间、跨步骤、跨角色的一致性。
生成时间：2026-06-22 00:00 UTC