每日 AI 论文简报｜医疗智能体评测、意图推荐与临床时序推理
重点关注
1. 医疗 agent 的难点不只是答对，而是在行动前完成分诊
PatientAgentBench: A Benchmark Framework for Evaluating Patient-Facing Health AI Agents｜Korosh Vatanparvar 等｜arXiv（cs.AI / cs.CL）｜PDF
- 核心问题与方法。 论文评测面向患者、能读病历并调用医疗工具的多轮 agent，而非静态医学问答。作者以统一 ReAct 基线外壳、状态化医疗工具沙盒和合成患者对话，按临床安全、分诊、工作流准确性、任务完成、临床帮助度与对话质量六维、102 条临床规则评分；10 个模型各跑 1,200 个场景、最多 15 轮。
- 作者报告的结果。 已核对 PDF：最强模型的综合均分为 4.25/5，分诊通过率仍只有 88%；全体模型分诊通过率跨度为 32%–88%。前沿模型在安全和工作流上接近满分，但仍会漏给危机资源、未核验工具输出或过早行动。LLM 裁判与持证临床人员的相邻一致率为 79%–93%，这是评分对齐证据，不等同于真实临床安全证明。
- 创新、局限与适读者。 贡献是把“完成预约”与“是否先识别风险”拆开检查，并固定 agent 外壳以减小提示工程混杂。局限是患者、病历与工具均为模拟环境；LLM 裁判、公开基准污染和模型版本变化仍会影响可复现性，不能据此用于诊疗。适合医疗 AI、agent 评测与安全团队；建议优先读第 3 节场景/沙盒、第 4 节评分规则和第 5.2–5.3 节分维结果。
2. 推荐系统把昂贵推理移到离线，才有机会检验真实增量
NEXT: Reasoning-Driven Video Recommendation via a Vision-Language Model｜Yuming Liu 等｜arXiv（cs.IR / cs.CV / cs.LG / cs.MM）｜PDF
- 核心问题与方法。 NEXT 不用共点击相关性直接接续视频，而是以“视频→下一意图→视频”生成有向边；8B 视觉语言模型经历感知增强 RL、分布对齐 SFT 与 GRPO 三阶段训练。线上只查离线生成并验证过的候选边，原有排序器在小候选集中个性化，避免把 VLM 放在请求关键路径。
- 作者报告的结果。 已核对 PDF：NEXT-8B 在 DocVQA 达 97.28% ANLS；训练消融中最后一阶段使分数从 96.96 提至 97.28。约 1 亿用户规模、多周线上 A/B 中，加入该检索通路后观看时长 +0.53%、不同视频曝光 +0.51%，两项 95% 置信区间均不含零且 p<0.05；论文称负反馈、安全与延迟未见显著退化。
- 创新、局限与适读者。 价值在于用真实 A/B 而非只报离线 NDCG，并将推理成本与线上 SLA 解耦。结果来自单一商业平台和封闭数据；离线挖边的算力吞吐仍是瓶颈，连续的“下一步”也可能收窄探索多样性。适合推荐基础设施、VLM 工程与实验平台团队；建议读第 3 节训练、第 4 节消融与第 5 节 A/B 设计。
3. 不规则临床时间序列，重点是压缩证据而不是把原序列全塞进上下文
A Cost-Effective Multimodal LLM Reasoning Framework for Question Answering over Irregular Clinical Time Series｜Frank Nie 等｜arXiv（cs.AI / cs.CL）｜PDF
- 核心问题与方法。 ClinPRISM 针对缺失、异步采样的临床序列，用宏观/事件/点级多尺度编码器、时间证据蒸馏和分阶段时间—语言对齐，把输入压为 16 个 token；以 Qwen3-4B 为骨干，在 3 万条带描述的序列和约 4.1 万道多任务题上训练，并与闭源/开源通用 LLM、时序 LLM 及 t-PatchGNN 基线比较。
- 作者报告的结果。 已核对 PDF：在留出 CLIR-Bench 上，宏平均准确率为 49.83，较最强时序基线 t-PatchGNN 高 11.18 点，较 GPT-5.4 mini 低 0.32 点；每题 0.15 秒、16 个时序 token。移除联合 LoRA—连接器适配后降至 36.35；稀疏度分桶下相对波动 1.6%，对照为 12.7%。这些是离线多选 QA 的作者结果，不能推出临床决策能力。
- 创新、局限与适读者。 多尺度表示与小 token 接口同时回应准确率和推理成本。基准仍是离线、选择题，数据分布与开放式问答、真实病历部署不同，且未见前瞻安全验证。适合医疗时序建模、低延迟多模态系统与评测人员；建议读第 3 节数据构造、第 4.2–4.5 节比较/消融/效率与第 6 节。
AI 论文
以下按候选清单完整收录 18 篇；上文三篇已核对 PDF，其余均仅依据作者公开摘要，论文报告的结果不代表独立验证。
医疗、科研与安全
Agentic AI in medicine: architectures, applications, evaluation, and challenges for clinical translation｜Zheng Tong 等｜arXiv（cs.CV）｜PDF
范围综述医疗 agent 的定义、架构和临床转化缺口；作者在五个来源筛查 1,649 条记录、暂纳入 557 项研究，发现证据多为公开基准、模拟/回顾性数据与小规模专家评估。它值得作为评测清单，但综述映射不能替代前瞻临床验证；应特别检查可追溯性、不确定性与工作流影响。仅依据摘要。
Agentic AI for Scientific Reasoning in Autonomous Quantum Sensing Experiments｜Takuya Isogawa 等｜arXiv（quant-ph / cs.AI）｜PDF
研究 LLM 如何在金刚石 NV 中心实验中做假设、分析和测量选择；agent 负责记录、计算与数据分析，确定性代码控制硬件。作者称要求预期信号计算可压低三种模型、不同推理强度下的假阳性；限制是离线基准与单一实验平台不能证明通用自主实验安全。仅依据摘要。
Guardians and Offenders: A Survey on Harmful Content Generation and Safety Mitigation of LLM｜Chi Zhang 等｜arXiv（cs.CL / cs.CY）｜PDF
该综述统一讨论无意毒性、越狱与检测/审核/RLHF 等缓解方法，并纳入多模态攻击。关注价值是把“生成伤害”和“用 LLM 防御”置于同一分类；但综述不能替代特定模型的红队、跨语言测量和部署误伤率验证。仅依据摘要。
FinAbstain: Uncertainty-Calibrated Multimodal RAG for Selective Financial Forecasting｜Dorothy Torres、Wei Cheng、Henan Huang｜arXiv（cs.LG）｜PDF
论文提出按预测时点取证的金融多模态 RAG，以温度缩放、保序回归、共形预测和拒答控制器在证据冲突时弃权。作者明确结果为模拟示例而非实证；因此它是可审计评测蓝图，不是预测有效性、回测收益或投资建议，且仍需检查时间泄漏、成本与真实成交。仅依据摘要。
Multimodal Hybrid Retrieval-Augmented Generation for Scientific Document Understanding using Open-Source SLMs｜Alexandru-Andrei Saucă、Ana-Luiza Rusnac｜arXiv（cs.IR / cs.AI）｜PDF
作者以 Qwen2-VL-2B 描述表图，结合 HNSW、词法检索、RRF 与 cross-encoder 重排来问答科学文档；摘要称检索质量较 Naive-RAG 高 157%、仅增 50ms。关键限制是 BeIR 格式合成数据与 BERTScore 不能充分证明真实文档事实性，基线及索引成本需复核。仅依据摘要。
Retrieval, not hallucinations, will be the limiting factor for LLM-based clinical AI tools｜Kirk Roberts 等｜arXiv（cs.IR / cs.CL）｜PDF
这篇观点文主张临床工具更应关注患者级数据检索的召回错误，而非只盯生成幻觉，并讨论错误类型与评测方向。其价值是改变质量指标优先级；限制是观点并非比较实验，检索召回提升也不自动解决病历质量、权限和临床责任。仅依据摘要。
VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents｜Seonok Kim｜arXiv（cs.IR / cs.AI / cs.CL）｜PDF
该文为多页图文文档建立保留页结构的多模态索引，并用检索、回答、验证 agent 协作补证据与引文。作者称在 LongDocURL、MMLongBench-Doc 超越视觉检索基线；仍需检查页级召回与最终回答的因果关系、工具成本和跨版式泛化。仅依据摘要。
多模态、评测与工程
Instruction-based Image Editing: A Survey on Data, Models, Evaluation, and Applications｜Xianghao Zang 等｜arXiv（cs.CV / cs.CL）｜PDF
综述指令式图像编辑的数据、GAN/扩散/自回归模型、指标与商业应用，并提出诊断性 CDD-IIE Bench。它有助于对齐评测维度；但图像编辑的偏好、身份保持与版权/安全边界不能由单一自动指标决定。仅依据摘要。
Forensic Reproducibility Audit of a Radiology Vision-Language Model Benchmark: From Intended Protocol to Released Artifact｜Mateusz Kozłowski｜arXiv（cs.CV / cs.AI / cs.CL）｜PDF
作者审计一项胸片 VLM 试点的提示绑定、DICOM 渲染、标签提取与统计产物，称重建共同队列后 Cochran Q 从 154.73 变为 182.29，并撤回原性能/排名主张。关注点在研究发布链的可追踪性；该案例不能量化所有医学基准的错误率。仅依据摘要。
A Control System, a Dataset, and a Recipe for Making Frozen LLM Agents Learn a Domain｜Debjyoti Paul｜arXiv（cs.AI）｜PDF
论文把冻结 LLM 的提示、工具、记忆和验证器视作固定、可读的动作空间，用 contextual bandit/REINFORCE 在线选策略，并以 DSPy 静态提示为基线。优点是强调审计与成本/延迟目标；但摘要未给出各域完整增益和在线风险，黑箱 API 的可复现性也受版本影响。仅依据摘要。
MEDit-Bench: A Dataset for Evaluating Message-Driven Narrative Video Editing｜Katsuya Ogata 等｜arXiv（cs.CV）｜PDF
作者将长视频、多种编辑意图及专业剪辑配对，指出 LLM 裁判受严重位置偏差，而强模型在严格时间对齐上仍落后人类。它把“叙事意图”纳入视频编辑评测；限制是专业偏好、版权素材和自动时间对齐都未覆盖最终创作价值。仅依据摘要。
MyoCardBench: A Real-World Data Benchmark for Evaluating Large Language Models in Clinically Authentic Cardiovascular Care Scenarios｜Xiao Li 等｜arXiv（cs.CL）｜PDF
该基准含 2,263 个心血管真实世界任务项，16 位医生参与标注；摘要称 GPT-5.4 宏平均 62.55，心电与伦理子任务最低。价值在于暴露跨工作流短板；去标识数据、零样本提示和离线得分仍不能替代临床效果或责任验证。仅依据摘要。
RRS-10K: A Multitask Vision-Language Model Benchmark for Rare Remote Sensing Image Interpretation｜Yuqiao Lai 等｜arXiv（cs.AI / eess.IV）｜PDF
RRS-10K 收录 10,738 张军事相关遥感图与多格式问答，作者测试 52 个模型并称其在视觉定位、指代分割和复杂推理上仍弱。长尾场景值得单列评测；但军事数据来源、任务公开后的污染与真实情报工作流的法律伦理边界都需审查。仅依据摘要。
HOBA: Hierarchical On-Policy Bidding Agents for Adaptive Online Advertising｜Ji Wu 等｜arXiv（cs.AI / cs.LG）｜PDF
作者以 LLM 调超参、SARSA 选专家、PID/MPC/IQL 等执行出价，并称 AuctionNet 与大规模 A/B 均优于基线、目标成本 +3.6%。需先澄清“目标成本增加”的业务含义及因果归因；广告 A/B 的预算、竞价外部性和安全约束决定结论能否迁移。仅依据摘要。
AlphaCrafter: Harnessing Multi-Agent Workflows for Cross-Sectional Quantitative Trading｜Yishuo Yuan 等｜arXiv（cs.AI）｜PDF
论文以可编程策略规范约束量化交易 agent，并在 CSI 300 与 S&P 500 基准上声称风险调整收益更高、跨模型方差更低。结构化工作流有利于审计；但摘要未证明样本外、费用冲击、容量和真实成交，不能转化为投资结论。仅依据摘要。