arXiv 论文周报｜2026-09-24

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 28 papers

Agent / Computer Use

28 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。
Qwen3.8-Omni: Towards Native Omni-Modal Agents 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。
WatchPoint: Executable User Feedback for Real-World Agentic Web Development 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。
RecreationWorld: Scalable and Verifiable Environments for Hybrid Computer-Use 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。

02 6 papers

多模态 / Robotics / World Model

6 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。

VLAQuantBench: Closed-Loop Evaluation of Post-Training Quantization for Vision-Language-Action Models 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。
MedVLA: A Hierarchical Vision-Language-Action Framework for Closed-Loop Precision Medical Robot 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。
RouteRLT: Learning When and Which RL Specialist Should Control a Vision-Language-Action 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。
HazardArena: Evaluating Semantic Safety in 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。

03 1 papers

评测 / 架构 / Context

1 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。

Re:CAP - Auditing Retrieval Coverage in Production RAG Pipelines 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。

04 1 papers

AI Coding

1 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。

Trajectory-Aware Benchmark Subset Selection for Cost-Efficient Software Engineering Agent Regression Testing 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。

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
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。
Qwen3.8-Omni: Towards Native Omni-Modal Agents 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	79	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。
WatchPoint: Executable User Feedback for Real-World Agentic Web Development 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	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。
RecreationWorld: Scalable and Verifiable Environments for Hybrid Computer-Use 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	77	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。
VLAQuantBench: Closed-Loop Evaluation of Post-Training Quantization for Vision-Language-Action Models 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。	具身智能	76	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。
MedVLA: A Hierarchical Vision-Language-Action Framework for Closed-Loop Precision Medical Robot 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。	医疗 AI	74	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。
DolphinBench: Mapping the Pareto Frontier of Agent Memory 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 评测	73	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。
Agent Memory: Characterization and System Implications of Stateful Long-Horizon Workloads 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	72	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。
SWE-Serve: Benchmarking Agentic Engineering For Production Inference Serving 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。	Coding Agent	72	接近主信号：用来构建能在真实代码仓库里测试、调试和修复的 Coding Agent。
BVB: Benchmarking Agentic Video Understanding via Programmatic Reconstruction in Blender 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	72	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。