每日 AI 论文简报｜2026 年 8 月 20 日
重点关注
PathPocket：把病理多模态问答接到可追溯证据图谱
论文：A Multimodal Agentic Pathology Co-pilot via Evidence Grounded Reasoning（arXiv:2606.08093）
全文状态：已核阅公开 PDF。
问题是通用多模态模型在病理诊断中容易给出难以追溯的结论。PathPocket 以约 110,472 份分层证据构建含 455 万实体、710 万关系的病理超图，再由理解、检索、过滤、诊断生成等协作代理处理文本、ROI 与全切片图像；比较 GPT-4.1 mini、GPT-5 mini、Grok 4.1 Fast、Qwen3.7 Plus，以及 CONCH、PLIP 等模型。作者报告：在 1,854 例私有文本病例的 SMU-Text 4 上为 93.1%，高于 Qwen3.7 Plus 的 85.6%；BreakHis ROI 任务为 74.3%，高于 Qwen3.7 Plus 的 71.6%；SMU-VL 6 为 84.7%，高于 GPT-5 mini 的 78.4%。创新是让输出绑定分级医学证据而非仅依赖参数记忆。限制同样实质：多项私有、恶性病例占比较高的数据集限制外部复现和泛化；证据库覆盖、检索遗漏、以及用户研究设计仍须独立审计，不能作为临床决策替代。适合计算病理、RAG 与高风险 agent 读者；建议读 §2、§3、图 3–5、附录检索消融。
链接：PDF
MobileWorldSafety：手机 GUI agent 对环境注入仍普遍脆弱
论文：MobileWorldSafety: Benchmarking GUI Agent Safety Against Environmental Injection Attacks in Android Apps（arXiv:2608.17659）
全文状态：已核阅公开 PDF。
论文评估普通 App 环境中的间接提示注入，而不是只测网页或文本聊天。基准在真实 Android 应用上定义 142 个风险任务，最终状态先由规则验证、歧义案例再由 LLM 裁决，从而区分任务能力失败与安全失败；对比 4 个通用 agent 和 2 个专用 GUI agent。作者报告攻击成功率为 40.4%–66.9%：Gemini-3-Pro 为 66.9%、任务完成率仅 30.0%；Qwen3.5-397B-A17B 加系统安全提示后 ASR 从 51.6% 降至 37.0%，但停滞样本从 2 增至 20。专用 GUI agent 的较低 ASR 与更多运行失败混在一起，不能直接解释为更安全。贡献是可程序化的移动端安全终态评测；限制是只做了初步防御、模型版本与本地配置影响结果，且 142 个任务无法穷尽真实权限、第三方登录和跨设备攻击面。适合 agent 安全、移动自动化与红队读者；建议读 §3.4、表 1–3、§4.4 与 Appendix A。
链接：PDF
PACE：把 DeFi agent 的许可绑定到具体交易字节
论文：PACE: Policy-Attested Contract Execution for Safe AI Agents in Decentralized Finance（arXiv:2608.17220）
全文状态：已核阅公开 PDF。
核心问题是模型通过了策略或模拟检查后，提交到链上的 calldata 仍可能被替换。PACE 使用类型化意图、确定性策略验证器、仿真报告和签名 PDR，将许可、策略和交易字节加密绑定；在 Solidity 智能账户中执行并对比 6 个非 PACE 基线。作者在内存 DeFi 模拟器的 40 任务、10 种子、2,800 次确定性试验中报告 PACE 的不安全执行和良性误报均为 0，而无防护基线不安全执行率为 0.80；移除 calldata 绑定后为 0.025，放宽策略后为 0.575。三模型实时 LLM 试验（595 次）也报告 PACE 防护后的攻击成功率为 0，但误报为 5.0%–12.8%；链上验签额外消耗 29,826–31,822 gas。创新是将“批准”做成可验证的交易级不变量。作者明确限制：主要结论来自简化模拟器与 regex mock LLM；0 率是该基准中的逻辑属性，不是主网安全保证，也非投资建议。适合智能合约安全与 agent 执行层读者；建议读 §4–7、表 1–3、威胁模型和限制。
链接：PDF
AI 论文
A Multimodal Agentic Pathology Co-pilot via Evidence Grounded Reasoning
作者：Zhe Xu 等 29 位作者
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
研究病理诊断的证据可追溯性，以分级文献语料、超图和多 agent 推理处理文本到全切片图像。作者报告在逾 20 万真实案例的多维基准优于既有方法。价值在于把检索证据纳入诊断链；私有数据、病例构成与临床用户研究限制独立复现，结果不能等同临床有效性。
MobileWorldSafety: Benchmarking GUI Agent Safety Against Environmental Injection Attacks in Android Apps
作者：Sujin Chen、Lijun Li、Tianyi Du、Jing Shao
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
研究 Android GUI agent 面对普通环境内容中的注入攻击；142 个任务以最终系统状态验证并区分安全与能力失败。作者报告六个 agent 的 ASR 为 40.4%–66.9%。价值在于纠正“无法完成任务即安全”的错觉；任务覆盖、裁决器与受测版本限制外推。
Multi-turn Conversational AI from Text to Multimodal Interaction: Data, Models, Evaluation, and Open Challenges
作者：Syeda Faiza Ahmed 等 5 位作者
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF · 代码
仅依据摘要：综述多轮文本、语音、多模态与工具型对话系统的数据、建模和评测。作者认为模态能力进展快于跨轮记忆、grounding、全双工与文化适配。价值是整理问题空间；综述不提供独立效果验证，覆盖范围与文献选择须读全文判断。
The 10th AI City Challenge
作者：Zheng Tang 等 37 位作者
来源/分类：arXiv · cs.CV
链接：arXiv 摘要页 · PDF
仅依据摘要：总结 ECCV 2026 的智能交通挑战，6 个主赛道覆盖多相机 3D、交通安全 VQA、异常推理与生成预测，325 支队伍参赛。价值在于公开协议与真实城市场景；排行榜依赖特定数据、算力和封闭测试集，不能直接说明实际道路安全。
The Emergence of Lab-Driven Alignment Signatures: A Psychometric Framework for Auditing Latent Bias and Compounding Risk in Generative AI
作者：Dusan Bosnjakovic
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：以 18 个模型、18 个治理行为维度的强制选择量表审计开发组织差异。作者报告在已定义失败维度上组织排序一致性 Kendall’s W=0.527、p=6e-6。价值在于将“实验室风格”转为可测假设；题项生成、裁决器和规范性维度定义会影响结论，不能据此给模型贴本质标签。
Can Large Language Models Explain Flight Safety Events? A Prior-Guided Semantic LLM-based Approach
作者：Lu Xu 等 6 位作者
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：将飞行统计特征和物理指标离散为语义描述，并以 CatBoost 预测作为 LLM 先验，在 704 个 A320 硬着陆样本上生成解释。作者称分类表现具竞争力。价值在于将数值异常接到操作语言；单事件、样本规模、解释忠实性与真实飞行适用性仍需全文核验。
EvoTS-Agent: A Self-Evolving LLM Agent for Financial Time Series Change Point Detection
作者：Lei Jiang 等 8 位作者
来源/分类：arXiv · cs.AI、q-fin.ST · 【跨主题】
链接：arXiv 摘要页 · PDF
仅依据摘要：研究 LLM 如何以验证反馈进化变点检测流程，结合修订、替代策略与重组操作。作者报告四个基准上优于其他 LLM agent、执行成功率 100%。价值是自动化模型选择；检测基准的时间切分、验证泄漏、计算成本及对交易收益的关系均未由摘要证明。
MS-MFAD : Multimodal large language models for Face Anti-spoofing Detection
作者：Xiaoyong Yu、Rongzhen Li、Shuming Shi、Xinge You
来源/分类：arXiv · cs.CV、cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：以像素语义锚定和每类 1,000 张精确掩码训练 Qwen-VL 做人脸活体检测。作者报告域内 ACER 相对降低 40%–50%、跨域下降受限于 11.62%/5.23%。价值在于可审计证据链；攻击类别、训练/测试隔离、白盒设定与延迟测量需要复核。
PACE: Policy-Attested Contract Execution for Safe AI Agents in Decentralized Finance
作者：Rabimba Karanjai 等 7 位作者
来源/分类：arXiv · cs.AI、cs.CR · 【跨主题】
链接：arXiv 摘要页 · PDF
研究用签名策略记录把 DeFi agent 的仿真许可绑定到交易字节，并在链上验签。作者报告确定性沙盒中不安全执行率为 0。价值是隔离模型规划与不可逆执行；沙盒、策略配置和 gas/端到端延迟意味着不能视为主网安全或投资结论。
AISA: AI Safety Assistant Framework for Continuous Improvement of Highway Construction
作者：Mason Smetana、Trevor Neece、Lev Khazanovich
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：用本地推理和嵌入检索支持公路施工事故叙事分类、质量评分与 JSA 检索；在逾 1.5 万测试叙事中，OIICS 分类留出准确率 75%。作者也报告二元标志退化、死亡案例分布外失真。价值是清楚暴露失败条件；不能替代现场安全审批。
SCENARIODIFF: A Scenario-level Guidance Framework for Multimodal Time Series Forecasting—Extended Version
作者：Tuan-Binh Tran 等 5 位作者
来源/分类：arXiv · cs.LG、cs.AI
链接：arXiv 摘要页 · PDF · 代码
仅依据摘要：将文档证据、定性情景和稀疏锚点分层注入扩散 Transformer，用于事件驱动的多模态预测。作者称在 Time-MMD 上尤其有效。价值在于显式控制文本影响；新闻时间戳、弱对齐和未来信息泄漏是关键风险，摘要未给出基线数字。
GxP-Agent: Process-DAG Topology for Reliable Clinical Trial Programming with LLM Agents
作者：Jaime Yan
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：把临床试验编程流程编码为 DAG，以多 agent 生成 CDISC 分析数据。作者称五个前沿模型 11 次单次尝试均未生成有效受试者级数据集，DAG 方案改善可靠性。价值在于过程约束；法规合规仍需独立验证和人工签核。
Every Picture Tells a Dangerous Story: Memory-Augmented Multi-Agent Jailbreak Attacks on VLMs
作者：Jianhao Chen 等 6 位作者
来源/分类：arXiv · cs.CR、cs.CV、cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：研究带记忆的多 agent 如何组合图像语义实施 VLM 越狱攻击。价值在于提示跨轮与多角色攻击面；摘要未给出成功率、基线和防御协议，不能比较风险量级，需阅读全文。
Risk-Controllable Multi-View Diffusion for Driving Scenario Generation
作者：Hongyi Lin 等 7 位作者
来源/分类：arXiv · cs.CV、cs.LG
链接：arXiv 摘要页 · PDF
仅依据摘要：研究受风险控制的多视角驾驶场景扩散生成。价值在于为罕见危险场景提供可控数据；生成逼真度不等于物理一致性或自动驾驶安全覆盖，基准与风险定义须复核。
Eval4Sim: An Evaluation Framework for Persona Simulation
作者：Eliseo Bao、Anxo Perez、Javier Parapar、Xi Wang
来源/分类：arXiv · cs.AI、cs.CL
链接：arXiv 摘要页 · PDF
仅依据摘要：提出 persona 模拟评估框架。价值在于把角色一致性与模拟效果显式化；人格标签、评审器和真实人类行为之间的构念差距决定其有效性，不能把高分等同真实用户替身。
Delegation Asymmetry in Agentic Recommender Systems: Measuring Two-Sided Receptivity in Online Dating
作者：Daria Leshchikova 等 4 位作者
来源/分类：arXiv · cs.AI、cs.IR
链接：arXiv 摘要页 · PDF
仅依据摘要：研究交友推荐中双方对 agent 委托的接受度不对称。价值在于将推荐从单边排序扩展为双边授权；在线交友样本、偏好表述与真实互动结果的差异限制伦理和产品结论。
MotoSafety: Edge-AI with Learned Temporal Importance for Two-Wheeler Collision Risk Assessment Under Time Pressure
作者：Sumit S. Shevtekar 等 4 位作者
来源/分类：arXiv · cs.CV、cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：研究在时间压力下以边缘 AI 学习关键时刻评估两轮车碰撞风险。价值在于低延迟风险感知；视频数据偏差、标签时点、设备功耗和误报/漏报代价须在真实道路验证。
Vision-Language Models for Analog Gauge Reading: An Empirical Study of Specialization, Transfer and Reliability
作者：Abdul Mueez 等 5 位作者
来源/分类：arXiv · cs.CV、cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：实证比较 VLM 读取模拟仪表时的专门化、迁移和可靠性。价值是面向工业视觉的可测任务；刻度类型、图像质量、单位与异常读数覆盖决定部署可信度，摘要未提供可核验数字。