arXiv 论文周报｜2026-08-26

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 81 papers

Agent / Computer Use

81 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。

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。
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。
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。
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 13 papers

多模态 / Robotics / World Model

13 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。

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。
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。
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 6 papers

评测 / 架构 / Context

6 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。

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。
An Agentic RAG and Evaluation Framework for Assurance Case Generation: Industrial Use Case for the EU Cyber Resilience Act Compliance 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。
MissDiag: Diagnostic Evaluation of Incomplete-Knowledge Robustness in KGQA and KG-RAG 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。

04 5 papers

AI Coding

5 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。
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。
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。
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。

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
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。
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。
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。
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。
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。
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。
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。	Coding Agent	77	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。
Beyond Memory Majority: Latent-Source Reasoning for Multi-Agent Memory Arbitration 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	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。