arXiv 论文周报｜2026-09-15

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 92 papers

Agent / Computer Use

92 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。

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。
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。
HAT-4D: Lifting Monocular Video for 4D Multi-Object Interactions via Human-Agent Collaboration 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。
ParaRecover: A Process-Level Benchmark for Error Localization and Recovery in Parallel Tool-Use 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。

02 21 papers

多模态 / Robotics / World Model

21 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。

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。
HaWMPO: Hallucination-Aware World Model-based Policy Optimization for Generalist Robot Policy 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。
ComVLA: Communication-Aware Split Inference for VLA Models in 6G-Connected Robotics 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。
TacVLA: Contact-Aware Tactile Fusion for Robust Vision-Language-Action 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。

03 7 papers

评测 / 架构 / Context

7 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。

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。
Retrieval-Augmented Generation for Scientific Code Understanding 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。
RAG-Safety-Bench: Reliable Evaluation of Retrieval-Augmented LLM Safety 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。
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。

04 2 papers

AI Coding

2 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。

TrajMark: Ownership Attribution and Segment-Level Tamper Localization for Coding-Agent Trajectories 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。
AttnCompress: Dynamic Attention-Guided Trajectory Compression 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。

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
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。
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。
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。
HAT-4D: Lifting Monocular Video for 4D Multi-Object Interactions via Human-Agent Collaboration 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	80	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。
ParaRecover: A Process-Level Benchmark for Error Localization and Recovery in Parallel Tool-Use 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。	Agent 评测	76	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。
BlueLM-GUI Technical Report: A Real-Device-Centric Flywheel for Self-Improving Mobile GUI 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。	GUI Agent	76	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。
ProMediConv: Benchmarking Proactive Conversational Agents in Legal Dispute Mediation 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	76	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。
Harbor Adapters and Harbor-Index: Infrastructure and a Curated Meta-Dataset for Large-Scale Agentic 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。	Agent 评测	75	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。
HaWMPO: Hallucination-Aware World Model-based Policy Optimization for Generalist Robot Policy 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	75	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。
MAVEN-T: Reinforced Heterogeneous Distillation for Real-Time Multi-Agent Trajectory Prediction 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	75	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。