arXiv 论文月报｜2026-08-26

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

01 315 papers

Agent / Computer Use

315 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。
A Multi-Agent Platform for Automated Enterprise Analytics and Insight Generation 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。
Software Engineering for and with GUI Agent 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。
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。

02 78 papers

多模态 / Robotics / World Model

78 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。

MAGS-SLAM: Monocular Multi-Agent Gaussian Splatting SLAM for Geometrically and Photometrically Consistent Reconstruction 让多个机器人仅用 RGB 视觉协作建图，并压缩跨设备传输与对齐成本。
Reproducible Multimodal Affordance Prediction 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。
Learning Panorama-Aware VLA for Mobile Manipulation with Whole-Body Teleoperation 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。
FlashDrive: Flash Vision-Language-Action Inference for 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 20 papers

AI Coding

20 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。
The Scaffold Effect in Coding Agents: Harness Choice as a Hidden Variable in Coding-Agent 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。
MT-Web2Code: Benchmarking Coding Agents on Multi-Turn Regional Reconstruction and Localized Modification 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 Jagged Frontier: Evaluating Robustness of Code Agents to Semantics-Preserving Transformations 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 18 papers

评测 / 架构 / Context

18 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。

BM25 Wins at Scale: A Scaling Study of Retrieval-Augmented Generation Paradigms 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-Based Auto-Configuration for Industrial Fieldbus Devices 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。
GoldenRetriever: Non-Interactive Homomorphic Encrypted Retrieval for Privacy-Preserving RAG 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。

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。
A Multi-Agent Platform for Automated Enterprise Analytics and Insight Generation 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	88	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。
Software Engineering for and with GUI Agent 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	87	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。
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。
MAGS-SLAM: Monocular Multi-Agent Gaussian Splatting SLAM for Geometrically and Photometrically Consistent Reconstruction 让多个机器人仅用 RGB 视觉协作建图，并压缩跨设备传输与对齐成本。	具身智能	84	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。
CyberNeuro: A Privacy-Preserving Agentic Workbench for Cohort-Scale Neuroimage and Clinical Data Analysis 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。	医疗 AI	84	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。
ATBench: A Diverse and Realistic Agent Trajectory Benchmark for Safety Evaluation and Diagnosis 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	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。
Weather- and Location-Aware Agentic Dining Recommendation: Leveraging LLM World Knowledge for Region-Sensitive Contextual Reasoning 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：用来提升 Agent 长任务中的记忆、上下文和状态管理能力。
M3MAD-Bench: Multi-Dimensional Evaluation of Multi-Agent Debate Across Domains and Modalities 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	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。
Reproducible Multimodal Affordance Prediction 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。	多模态	82	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。

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。