arXiv 论文月报｜2026-10-24

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

01 427 papers

Agent / Computer Use

427 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。

ARCHER: Agentic Rule and Compliance Harness for Executable Regulations 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。
SSR: Structural Signal Retriever for Scalable Agent Discovery in LLM-Orchestrated Multi-Agent 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。
EvoCast: Reliable Autonomous Research Agents for Iterative Forecasting Architecture Evolution 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。
ANASSA: From High-Level Framework to Low-Level Architecture for Spatial Agentic AI 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。

02 114 papers

多模态 / Robotics / World Model

114 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。
ESP: Energy-Score Policy for One-Step Multimodal Action 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。
DSDyn-VLA: A Dual-Stream Dynamic Manipulation Framework with Motion Perception, Future Awareness, and Realtime Correction 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。
REACT: Rolling Denoising and Dual Decoupling for Reactive Robot Control with VLA 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 30 papers

AI Coding

30 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。

Correct Code, Broken Contributions? SWE-CC: Benchmarking Repository Policy Compliance for 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。
The Agentic Scientist: Orchestrating Coding Agents for Automated Scientific (Co-)Discovery 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。
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。
Catching Developers in the Flow: Low-Latency Agentic Program Repair at Google Scale 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 8 papers

评测 / 架构 / Context

8 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。

Cost-Efficient RAG for Entity Matching with LLMs: A Blocking-based Batch Processing Framework 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。
Walking the Embedding Space: Datastore Extraction from Multimodal RAG 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。
Re-ranking and Late Interaction Drive Retrieval Quality: A Controlled Comparison of RAG Strategies for Scientific Question Answering 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。
When More Documents Hurt RAG: Measuring and Reducing Vector Search Dilution with Domain-Scoped Retrieval 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
ARCHER: Agentic Rule and Compliance Harness for Executable Regulations 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	91	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。
SSR: Structural Signal Retriever for Scalable Agent Discovery in LLM-Orchestrated Multi-Agent 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	88	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。
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。
EvoCast: Reliable Autonomous Research Agents for Iterative Forecasting Architecture Evolution 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	86	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。
ANASSA: From High-Level Framework to Low-Level Architecture for Spatial Agentic AI 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	83	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。
AIMS: An Agentic AI Framework for Sim-to-Real Multi-Modal ISAC 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	83	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。
MASBench: Benchmarking LLM-based Multi-Agent Collaboration under Partial Observability 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	83	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。
cua-speedrun: Standardized Benchmarking of the Speed of 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	83	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。
ESP: Energy-Score Policy for One-Step Multimodal Action 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。	具身智能	82	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。
FreshBrew: A Benchmark for Evaluating AI Agents on Java Code Migration 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	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。

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。