arXiv 论文信号｜2026-09-12

今日值得读论文信号

主列表只保留今天真正值得花时间读的论文，把判断、中文解读和产品启发压在同一条阅读路径里。

2026-09-12

01 priority

Agent 评测

它有什么用 用来评测 Agent 或模型在真实任务中的完成度、稳定性和可靠性。

cs.CL Research Signal

ProMediConv: Benchmarking Proactive Conversational Agents in Legal Dispute Mediation

中文这篇论文需要先从标题和摘要判断它对应的任务场景、系统结构和产品迁移价值。

为什么值得读

把它当成一个产品系统样本来读：它如何拆任务、接工具、做反馈、记录过程，而不是只看模型指标。

查看判断依据Signal 76

ProMediConv: Benchmarking Proactive Conversational Agents in Legal Dispute Mediation 的核心信号是 Agent 能力正在系统化，而不是停留在单次任务表现。

命中高价值主题: agent; 评分证据: reelos_relevance, product_transfer, technical_novelty, evidence_quality

agent

02 priority

具身智能多模态

它有什么用 用来连接视觉理解与动作执行，支持机器人和具身 Agent。

cs.RO Product Signal

FARM: Reading Failure Signals from the Internal Predictive States of a Frozen Robotic World Model

中文这篇主要研究失败模式和恢复机制，适合用来理解 Agent 为什么会出错以及如何修正。

为什么值得读

它值得读的地方在于暴露 Agent 失败后的恢复路径：哪里能自动修，哪里必须回到人或工作流设计。

查看判断依据Signal 70

FARM: Reading Failure Signals from the Internal Predictive States of a Frozen Robotic World Model 说明多模态系统正在靠近可操作的世界模型。

命中高价值主题: multimodal_video; 评分证据: reelos_relevance, product_transfer, evidence_quality, content_value

multimodal video

03 priority

模型评测

它有什么用 用来提升 Agent 长任务中的记忆、上下文和状态管理能力。

cs.CL Infra Signal

RAG-Safety-Bench: Reliable Evaluation of Retrieval-Augmented LLM Safety

中文这篇主要是在定义一个新的评测场景，用来判断 Agent 或模型是否真的能完成真实任务。

为什么值得读

这类论文的重点通常不是榜单名次，而是它把什么真实任务定义成了可复现、可比较、可失败复盘的测试场。

查看判断依据Signal 68

RAG-Safety-Bench: Reliable Evaluation of Retrieval-Augmented LLM Safety 的价值在于提供了可迁移的系统或评测结构。

命中高价值主题: product_architecture; 评分证据: reelos_relevance, product_transfer, technical_novelty, evidence_quality

product architecture

备选论文池

这里是次优先级索引区，不和主信号区抢版面，只承担补充检索和后续人工复核功能。

7 papers

论文	领域	分数	原因
Can LLMs Normalize Databases? A Benchmark and Multi-Agent Framework for Schema Normalization 这篇主要是在定义一个新的评测场景，用来判断 Agent 或模型是否真的能完成真实任务。	Agent 评测	71	接近主信号：用来评测 Agent 或模型在真实任务中的完成度、稳定性和可靠性。
CARLAverse: A Highly Modular, Distributed, and Multimodal Framework for Human-in-the-Loop Simulation 面向画布类创意任务的多模态 Agent 运行、工具调用与评测框架。	多模态	70	接近主信号：用来理解图像、视频和空间信息，支持多模态产品与工作流。
Grounding Agent Memory: Environment-Probing Curation for Enterprise Agents 这篇主要讨论记忆、上下文或检索机制，重点是长期任务里的状态管理。	Agent	70	接近主信号：用来让多 Agent 自动恢复、重建并验证复杂的软件运行环境。
Learning What to Retain: Gated-Memory Routing for Efficient Collaboration in Multi-Agent LLM Systems 这篇主要讨论记忆、上下文或检索机制，重点是长期任务里的状态管理。	Agent	70	接近主信号：用来提升 Agent 长任务中的记忆、上下文和状态管理能力。
ChurnBench: A Drift-Aware Benchmark Demonstrating That Refresh Scheduling, Not Cache Age, Governs Staleness in Agentic AI 这篇主要是在定义一个新的评测场景，用来判断 Agent 或模型是否真的能完成真实任务。	Agent 评测	68	接近主信号：用来评测 Agent 或模型在真实任务中的完成度、稳定性和可靠性。
MisEdu-RAG: A Misconception-Aware Dual-Hypergraph RAG for Novice Math Teachers 这篇论文需要先从标题和摘要判断它对应的任务场景、系统结构和产品迁移价值。	模型与系统	68	接近主信号：用来验证新的模型方法能否转化为可评测、可复用的系统能力。
An Agentic Evaluation Framework for AI-Generated Scientific Code in PETSc 这篇主要是在定义一个新的评测场景，用来判断 Agent 或模型是否真的能完成真实任务。	Agent 评测	68	接近主信号：用来评测 Agent 或模型在真实任务中的完成度、稳定性和可靠性。