arXiv 论文月报｜2026-10-01

本月趋势变化

按趋势簇而不是按时间顺序阅读，才能判断哪些方向正在从能力演示走向系统化。

4 trends

01 321 papers

Agent / Computer Use

321 篇论文指向 Agent 从单点任务转向长周期、可恢复、可评测的工作流。

DTOC: Dynamic Tool Output Compression for Adaptive Context Management in AI 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。
FinCUABuild: Can Agents Build Reliable Benchmarks for Dynamic Financial Computer Use? 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。
From Prompt to Service: An SLM-Based Agent Orchestration Gateway for AI-Driven Virtual Worlds 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。
Neuro-Symbolic Computer Use: Learning Reusable Policies for Reliable and Efficient Execution 这篇主要关注模型如何操作真实界面，适合从 GUI Agent 和 Computer-use 产品角度阅读。

02 69 papers

多模态 / Robotics / World Model

69 篇论文连接视觉、动作、空间和具身任务，适合观察世界模型产品化。

Evolve Vision-Language-Action Model into an Agent with On-the-fly Tool-use 这篇主要面向多模态、空间理解或具身任务，适合关注世界模型和可执行动作链。
AdaVLA: Adaptive Step Flow Matching for Training-free Acceleration of Vision-Language-Action Models 这篇主要面向多模态、空间理解或具身任务，适合关注世界模型和可执行动作链。
Harness VLA: Steering Frozen VLAs into Reliable Manipulation Primitives via Memory-Guided 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。
EventVLA: Event-Driven Visual Evidence Memory for Long-Horizon Vision-Language-Action Policies 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。

03 16 papers

AI Coding

16 篇论文围绕软件工程 Agent，重点从代码生成推进到环境、测试、调试和轨迹学习。

Self-Evolving Coding Agents 这篇主要面向软件工程 Agent，关注代码、测试、调试或仓库级工作流。
StateTape: Action-Conditioned Evidence Lifecycle Modeling for Long-Horizon Coding Agents 这篇主要面向软件工程 Agent，关注代码、测试、调试或仓库级工作流。
LEGO-Anything: Coding Agents for 3D Scene Reconstruction 这篇主要面向软件工程 Agent，关注代码、测试、调试或仓库级工作流。
SWE-Gate: Passing Functional Tests Is Not Enough for Software Engineering Agents 这篇主要面向软件工程 Agent，关注代码、测试、调试或仓库级工作流。

04 13 papers

评测 / 架构 / Context

13 篇论文提供评测、框架或系统结构信号，适合转成产品架构判断。

Towards Fully Automated Medical Imaging Code Generation via Validation-based Context Engineering 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。
Doc-REFRAG: Rethinking Multimodal Document Retrieval-Augmented Generation 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。
Beyond Fluent Generation: A CPU Reliability Benchmark for MCP-Style Tool Calling in Sub-2B Small Language Models for Edge Deployment 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。
Cloud and On-Premises Deployment of Uzbek Legal RAG via Targeted Retriever Fine-Tuning 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。

本月关键论文

保留一张紧凑表作为索引入口，便于回看标题、领域和进入复核的理由。

10 papers

论文	领域	分数	中文判断
Evolve Vision-Language-Action Model into an Agent with On-the-fly Tool-use 这篇主要面向多模态、空间理解或具身任务，适合关注世界模型和可执行动作链。	具身智能	86	接近主信号：用来连接视觉理解与动作执行，支持机器人和具身 Agent。
DTOC: Dynamic Tool Output Compression for Adaptive Context Management in AI 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	85	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。
FinCUABuild: Can Agents Build Reliable Benchmarks for Dynamic Financial Computer Use? 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。	GUI Agent	84	接近主信号：用来让 Agent 看懂并操作电脑或手机界面，减少长流程中的偏航。
From Prompt to Service: An SLM-Based Agent Orchestration Gateway for AI-Driven Virtual Worlds 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。	多模态	84	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。
Neuro-Symbolic Computer Use: Learning Reusable Policies for Reliable and Efficient Execution 这篇主要关注模型如何操作真实界面，适合从 GUI Agent 和 Computer-use 产品角度阅读。	GUI Agent	82	接近主信号：用来让 Agent 看懂并操作电脑或手机界面，减少长流程中的偏航。
Qwen-Planner-Agent: A Closed-Loop AI-for-AI Framework for Real-World Mobile Planner Agents 这篇主要关注模型如何操作真实界面，适合从 GUI Agent 和 Computer-use 产品角度阅读。	Agent	82	接近主信号：用来把复杂任务拆成 Agent 可执行、可检查、可恢复的工作流。
DAREBench: Deployment-Aware and Reliable Evaluation of Models as Agents 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。	多模态	82	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。
AssetOpsBench: Benchmarking AI Agents for Task Automation in Industrial Asset Operations and Maintenance 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。	多模态	82	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。
AdaVLA: Adaptive Step Flow Matching for Training-free Acceleration of Vision-Language-Action Models 这篇主要面向多模态、空间理解或具身任务，适合关注世界模型和可执行动作链。	具身智能	81	接近主信号：用来连接视觉理解与动作执行，支持机器人和具身 Agent。
The Hitchhiker's Guide to Agentic AI: From Foundations to Systems 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。	Agent	81	接近主信号：用来把复杂任务拆成 Agent 可执行、可检查、可恢复的工作流。

下月关注清单

把趋势转成下一步观察问题，避免月报停在描述而没有后续跟踪方向。

watchlist

Computer-use Agent 是否开始形成真实职业场景评测标准。
Coding Agent 是否从生成代码转向仓库级持续修复和环境构建。
GUI / Mobile / 3D Agent 是否出现可复用的动作与状态表示。
论文里的 benchmark 是否能变成产品团队的采购和验收指标。