arXiv 论文周报｜2026-08-31

本周主题聚类

先看哪些论文正在同一个方向上形成簇，而不是把每篇论文平铺成同等强度的条目。

4 themes

01 125 papers

Agent / Computer Use

125 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。

How Do Agents Fail on AutoResearch: End-to-End Diagnostic Evaluation on 100 Real-World Frontier Research Tasks 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。
Tool-Making and Self-Evolving LLM Agents in Low-Latency 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。
A Contract-Centered Architecture for Scalable and Manageable Agentic Runtimes 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。
Counter with Evidence! A Multi-Agent Memory Efficient Reasoning Framework for Hate Category Informed Counterspeech Generation 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。

02 25 papers

多模态 / Robotics / World Model

25 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。

ForeTime-VLA: Causal Future-Token Distillation from a World Action Model for Conveyor-Belt Manipulation 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。
MMJailBench: A Factorized Benchmark for Disentangling Multimodal Jailbreak Vulnerabilities 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。
Robust Bimanual Vision-Language-Action Models via Embarrassingly Simple Modality Masking 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。
A Collaborative Multi-Modality Interaction for VLA-based End-to-End Autonomous Driving 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。

03 7 papers

AI Coding

7 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。

SWE Refactor Bench: Can Coding Agents Complete a Long-Horizon, Whole-Repository Stack Migration? 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。
A Survey of LLM-based Automated Program Repair: Taxonomies, Design Paradigms, and Applications 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。
GameXpert-Bench: How Far Are Coding Agents from Expert Game Development? 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。
XREPOTEST: Benchmarking Multilingual Repository-Level Unit Test Generation for Large Language Models 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。

04 5 papers

评测 / 架构 / Context

5 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。

ReliableRAG: Combating Misinformation in Retrieval-Augmented Generation via Reliability-Guided Reasoning Chains 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。
DamageScope: Vision-Language Retrieval at Scale for Disaster Damage Assessment from Satellite Imagery 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。
Spyre-Accelerated Retrieval-Augmented Generation on IBM LinuxONE: A Cloud-Native Architecture for Secure, High-Throughput Enterprise AI Inference 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。
post-graph-rag: A PostgreSQL-Native Graph RAG Engine 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。

本周代表论文

用表格保留检索效率，只展示最值得进入人工复核或深度拆解的代表样本。

10 papers

论文	领域	分数	中文判断
How Do Agents Fail on AutoResearch: End-to-End Diagnostic Evaluation on 100 Real-World Frontier Research Tasks 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	85	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。
Tool-Making and Self-Evolving LLM Agents in Low-Latency 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	84	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。
A Contract-Centered Architecture for Scalable and Manageable Agentic Runtimes 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	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。
Counter with Evidence! A Multi-Agent Memory Efficient Reasoning Framework for Hate Category Informed Counterspeech Generation 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	80	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。
ForeTime-VLA: Causal Future-Token Distillation from a World Action Model for Conveyor-Belt Manipulation 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	78	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。
LLM4LLM: Bridging Kernel Benchmarks and Real Deployment via Closed-Loop Agentic Optimization 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	78	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。
Agentic AI Containment Architecture for Security Hardening 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。	AI 安全	77	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。
DuMateBench: Evaluating Autonomous Agents in Complex Real-World Workflows 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 评测	77	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。
InjecMEM: Memory Injection Attack on LLM Agent Memory 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。	AI 安全	77	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。
Retrieval-Augmented Agentic Rubric Generation for Reliable Medical Response Evaluation 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。	医疗 AI	76	接近主信号：用来整合医疗影像与临床信息，辅助医学理解、解释和评估。