每日AI论文简报｜2026 年 8 月 22 日
重点关注
代码任务难度可在运行前测量，但测的是任务结构而非 agent 全能力
论文：What Makes Software Issue Resolution Tasks Difficult for Agents?（arXiv:2608.18280）
全文状态：已核阅公开 PDF。
论文以 CoderForge-Preview 的 45,769 个任务、1,553 个仓库和 Qwen3-Coder-480B 在 OpenHands 中的轨迹为样本，分别建模补丁、仓库和提示的 54 项确定性特征；与使用 LLM 嵌入/裁判特征的路线不同，重点是可复现的静态测量。作者报告静态特征预测成功率的 AUC 为 0.863，补丁碎片化与仓库规模主导，提示语言特征主要在中等难度任务显现。创新是把基准难度转成可解释的、可分层的测试变量。局限是标签来自同一模型—脚手架组合，且以金补丁提取特征在真实部署前未必可得；更不应把难度分数当能力因果解释。适合 agent 评测、SWE-bench 研究和训练数据策展者；建议读摘要、§3 数据与特征、§4 消融及 §5 讨论。
VibeWorlding：3D agent 的瓶颈落在精细编辑和可验证环境
论文：VibeWorlding: Can Multimodal Agents Construct 3D Open Worlds End-to-End?（arXiv:2608.15265）
全文状态：已核阅公开 PDF。
论文将意图理解、布局规划、资产检索/编辑和多轮视觉反思放到统一沙盒，VWE-Bench 包含 2,616 个资产、323 个种子世界和 6,828 条查询；VibeWorlding-Gym 以物理可行性和意图满足的 rubric 验证器支持评估/RL，比较对象包括前沿闭源与开源 MLLM。作者报告 GPT-5.5 与 Qwen3.8-Max 的成功率都低于 60%，8B 模型可与前沿模型相比，30B-A3B 的总体 Pass@1 最优。创新是把工具、环境和验证器共同开放，而非仅比较静态图像理解。局限在于 rubric 是否覆盖审美/用户意图、验证器被优化的风险、训练成本和真实游戏/仿真部署延迟。适合 3D 内容工具、具身 AI 与多模态 RL 读者；建议读图 1、§3 基准、§4 Gym 和消融。
链接：arXiv 摘要页 · PDF · 代码 · 模型 · 数据
AutoResearchEval：终点评分之外，需要看 agent 如何失败
论文：How Do Agents Fail on AutoResearch: End-to-End Diagnostic Evaluation on 100 Real-World Frontier Research Tasks（arXiv:2608.14905）
全文状态：已核阅公开 PDF。
论文从 5,878 篇候选中构造 100 个、覆盖 7 个领域和研究全流程的任务，并运行 8 个脚手架—模型组合得到 800 条完整工件轨迹；人类校准的裁判读取日志、代码、数据和报告，归纳 45 个失败模式。作者报告该裁判对人工标签的 κ 为 0.75（模式）和 0.83（分类法），高于单次调用裁判的 0.53/0.62；失败跨组合重复，作者归纳为缺少元认知闭环。创新在于以工件和过程、而非最终答案做诊断。局限是裁判仍非独立人工全量标注，任务由已发表论文回溯构造，且“模型层面”归因不排除未来脚手架改进。适合科研 agent、评测与安全读者；建议读图 1、§2 任务构造、§3 分类法和失败案例。
AI 论文
What Makes Software Issue Resolution Tasks Difficult for Agents?
作者：Ebtesam Al-Haque、Brittany Johnson
来源/分类：arXiv · cs.SE、cs.AI、cs.CL、cs.LG
链接：arXiv 摘要页 · PDF
已在重点关注中核阅全文；研究软件修复任务为何对智能体难度不同。作者从补丁、仓库和提示词提取静态特征，在 CoderForge-Preview 上以集成模型、SHAP 与效应量分析，报告 AUC 为 0.863，补丁碎片化和仓库规模最关键。价值是可在运行前分层评测 agent；结论主要基于一个轨迹库与特定脚手架，且基准泄漏、测试强度和跨模型迁移仍需审查。
From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents
作者：Zhengzhao Ma、Boxi Cao、Yaojie Lu、Hongyu Lin、Xianpei Han、Le Sun
来源/分类：arXiv · cs.CL、cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：研究长轨迹 agent 的不确定性如何跨推理、工具和环境反馈累积。作者把执行历史表示为有向轨迹图并传播关系不确定性，在 τ²-bench、Terminal-Bench-2 和 GAIA 的六个开源模型上比较。作者报告其估计更准确且可更早发现失败；图结构、标签和基准是否覆盖真实生产工作流，以及额外推理成本，仍需全文实验核验。
VibeWorlding: Can Multimodal Agents Construct 3D Open Worlds End-to-End?
作者：Yansong Ning、Jingwen Ye、Zhongkai Wu、Yang Sun、Yiqin Zhu、Xingyi Li、Weidong Zhang、Hao Liu
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF · 代码 · 模型 · 数据
已在重点关注中核阅全文；研究多模态智能体能否从开放查询端到端构建交互式 3D 世界。作者提供含 2,616 个资产、323 个人工标注世界和 6,828 条查询的基准，并用统一工具沙盒、物理/意图验证器做 RL 后训练。作者报告所测前沿模型成功率均低于 60%，其 30B-A3B 模型总体 Pass@1 最好；验证器偏差、训练/测试污染、工具调用成本和真实端侧部署未由该结果证明。
How Do Agents Fail on AutoResearch: End-to-End Diagnostic Evaluation on 100 Real-World Frontier Research Tasks
作者：Yanlin Fei、Nazhou Liu、Xinmiao Yu、Shaolong Chen、Lei Li、Rahul Thapa、Madalina Ciobanu、Qingqing Mao、Ritankar Das
来源/分类：arXiv · cs.CL
链接：arXiv 摘要页 · PDF · 代码 · 数据
已在重点关注中核阅全文；研究科研智能体在完整研究生命周期中如何失败。作者把 100 个前沿科学任务、8 种脚手架—模型组合的 800 条轨迹，按过程工件标注为 45 类失败模式。作者报告最强组合也反复缺少“产出与证据相互校验并修正”的元认知闭环；标注虽经人工校准，但仍依赖 agent-as-judge，且脚手架干预能否弥补该缺陷尚未测试。
ReasFlow: Assisting Reasoning-Centric Scientific Discovery in Applied Mathematics via a Knowledge-Based Multi-Agent System
作者：Yutong He、Daibo Li、Guohong Li、Jiahe Geng、Zhengyang Huang、Can Ren、Zekun Zhang、Yifan Liu、Shuchen Zhu、Hengrui Zhang、Boao Kong、Ming Sun、Shu Li、Chenyi Li、Jiang Hu、Kun Yuan、Zaiwen Wen、Pingwen Zhang
来源/分类：arXiv · cs.AI、cs.MA
链接：arXiv 摘要页 · PDF · 代码
仅依据摘要：研究面向应用数学发现的多智能体系统如何处理证明、检索和实验。作者提出带内部逻辑校验、知识检索和自我改进的 ReasFlow，并报告在策划的 LLM 评审量表上高于开放基线。价值在于把理论推导的可核验性前置；仅依据摘要，五篇“自主生成”论文的独立正确性、评审偏差与人类专家介入量仍待复核。
Pre-Training for Simulation-Based Science: A Study on Jet Foundation Model Training Objectives
作者：Ibrahim Elsharkawy、Joschka Birk、Vinicius Mikuni、Wahid Bhimji、Gregor Kasieczka、Benjamin Nachman
来源/分类：arXiv · hep-ph、cs.LG
链接：arXiv 摘要页 · PDF
仅依据摘要：研究模拟科学中不同预训练目标如何迁移。作者在 JetClass 上比较监督分类、flow matching 与掩码粒子建模，并微调到分类和条件生成任务。作者报告标签充足时分类预训练最好、低标签时加入掩码建模更强，而生成迁移需含 flow matching；证据来自高能物理模拟数据，不能直接推广至真实实验数据或通用基础模型。
FactorMiner: A Self-Evolving Agent with Skills and Experience Memory for Financial Alpha Discovery
作者：Yanlong Wang、Jian Xu、Hongkang Zhang、Shao-Lun Huang、Danny Dongning Sun、Xiao-Ping Zhang
来源/分类：arXiv · q-fin.TR、cs.MA
链接：arXiv 摘要页 · PDF
仅依据摘要：【跨主题】研究 agent 如何在因子库扩大时减少重复的公式 alpha 搜索。作者用模块化金融评估技能和经验记忆执行 retrieve—generate—evaluate—distill 循环，并在多资产市场测试。作者报告构造出低冗余、表现有竞争力的因子库；这是作者报告的回测/评测结论，数据划分、成本、容量和独立样本外交易结果仍是必要条件，不构成投资建议。
Eyes on the Image: Gaze Supervised Multimodal Learning for Chest X-ray Diagnosis and Report Generation
作者：Tanjim Islam Riju、Shuchismita Anwar、Saman Sarker Joy、Farig Sadeque、Swakkhar Shatabda
来源/分类：arXiv · cs.CV、cs.LG
链接：arXiv 摘要页 · PDF
仅依据摘要：研究如何让胸片多模态模型的注意力更贴近放射科医生。作者在 MIMIC-Eye 上用凝视、框和文本监督两阶段分类与区域报告生成，报告加入凝视后 AUC 增加 4.4%、F1 增加 13.3%。价值在于空间可解释性；单数据集、凝视采集偏差、临床外部验证和生成报告的安全性都限制其临床结论，不能替代诊疗。
Grading the Graders: Verification Autonomy Levels (L0-L5) for LLM Reasoning
作者：Yajie Yin
来源/分类：arXiv · cs.CL
链接：arXiv 摘要页 · PDF
仅依据摘要：研究 LLM 推理验证方案中的“level”概念混用。作者提出从 L0 到 L5 的验证自主性分类，并以数学、行为监控、医学诊断和代码生成案例讨论：开放世界验证最多只能锚定正确性。价值是澄清“验证某候选”与“证明未遗漏候选”的差别；该元标准的实用性仍取决于评估者对规格与证据来源的判断。
Training Chemical Plausibility-Aware Large Language Models for Single-Step Retrosynthesis
作者：Bogdan Zagribelnyy、Ivan Ilin、Nikita Bondarev、Maksim Kuznetsov、Mathieu Reymond、Vladimir Aladinskiy、Alex Aliper、Alex Zhavoronkov
来源/分类：arXiv · cs.LG、cs.AI、cs.CE、cs.CL
链接：arXiv 摘要页 · PDF
仅依据摘要：研究单步逆合成的一对多预测如何避免只看单答案。作者以约 4,560 万条反应训练 C3LM，并以 Top-K 提示、化学约束和新颖性奖励在 OOD 基准上比较。作者报告达到 SOTA 且与传统模型探索互补反应空间；仅依据摘要，反应数据泄漏、专家基准规模、可合成性和实验室实证尚未核验。
MedUAG: Unified Understanding and Generation for Medical Multimodal Models
作者：Zijie Meng、Yuncheng Zhang、Hualiang Wang、Yitian Tang、Xiaotang Gai、Chen Shen、Songtao Jiang、Shaosheng Cao、Jian Wu、Xian Wu、Zuozhu Liu
来源/分类：arXiv · cs.CL、cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：研究医学多模态模型如何统一理解与生成。作者构建超过 600 万实例、14 种影像模态的数据集和 12 项生成任务基准，并训练端到端 MedUAG。作者报告多任务表现具有竞争力；仅依据摘要，病例来源、标签质量、跨医院泛化、数据许可及临床安全不应由基准成绩推断。
Verifiable abstention makes AI leak diagnosis accountable in water distribution networks
作者：Tianwei Mu、Yue Wang、Mingzhe Yuan、Manhong Huang、Wenhong Wang、Xuerui Yin、Qing Luo、Min Xiao、Hui Yang、Jun Li、Dan Xue
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：研究供水网络漏损定位何时应拒绝行动。作者以物理数字孪生执行器、独立监督 agent 和可验证合约评估漏水/需求/传感器等假设，报告受控噪声下行动事件精度 96%，真实位置登记中五次开挖三次正确。价值是把弃权作为责任边界；真实样本小且压力流量为孪生模拟，不能视为规模化现场可靠性证明。
EVADE: Evidence-Verified Agentic Diagnosis with Escape
作者：Mohaimenul Azam Khan Raiaan、Nur Mohammad Fahad
来源/分类：arXiv · cs.CV
链接：arXiv 摘要页 · PDF
仅依据摘要：研究医学视觉语言模型如何在诊断时校准不确定性。作者提出无需训练的证据核验与逃逸机制 EVADE，目标是减少过度自信。价值在于把“拒答/转交”纳入诊断流程；仅依据摘要，病例分布、对照基线、灵敏度—弃权权衡和临床验证未获核查，不能用于诊疗决策。
CTIFoundry: An Agent-Native Corpus Scaffold for Cyber Threat Intelligence
作者：Yutong Cheng、Changze Li、Qian Cui、Wei Ding、Lingzhi Wang、Yan Chen、Peng Gao
来源/分类：arXiv · cs.AI、cs.CR
链接：arXiv 摘要页 · PDF
仅依据摘要：研究网络威胁情报如何提供适配 agent 的语料基础。作者提出 CTIFoundry 作为 agent-native 语料脚手架。价值在于把证据、结构和访问接口纳入威胁情报；仅依据摘要，数据时效、污染/对抗投毒、许可及对真实 SOC 工作流的增益仍不明确。
From Storage to Access: Verifiable Activation of Parametric Knowledge in LLMs via Explicit Priming and Implicit Reasoning
作者：Zuocheng Ying、Yang Yang、Yumou Wu、Chuanbo Zhu、Jiarui Wang、Ziqi Wu、Jingming Cai、Junqing Yu、Zikai Song
来源/分类：arXiv · cs.CL、cs.AI、cs.LG
链接：arXiv 摘要页 · PDF
仅依据摘要：研究 LLM 参数知识的存储与可被激活是否可区分。作者以显式 priming 和隐式推理检验可验证的知识激活。价值是为“模型知道但未答出”提供可测框架；仅依据摘要，任务答案泄漏、提示选择、基线和跨模型一致性需要全文复核。
UMER: Unifying Embedding and Ranking via Pair-Aware Discriminative Reasoning for Universal Multimodal Retrieval
作者：Libiao Chen、Xiyang Liu、Yanheng Wei、Tao Wang、Zhenyu Tang
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：研究如何把嵌入与排序统一到通用多模态检索。作者提出成对感知的判别式推理方法 UMER。价值在于直接处理检索中相关/非相关配对；仅依据摘要，训练数据重叠、与强 reranker 的公平比较、延迟和多模态失败样例尚未核验。
Tianmu-TC: Physics-constraints Generative Artificial Intelligence for Global Tropical Cyclone Forecasting
作者：Shiqi Zhang、Pan Mu、Cheng Huang、Hanting Yan、Yuchao Zhu、Jinglin Zhang、Shengyong Chen、Shoujuan Shu、Cong Bai
来源/分类：arXiv · cs.LG
链接：arXiv 摘要页 · PDF
仅依据摘要：研究如何用物理约束生成式 AI 做全球热带气旋预报。作者提出 Tianmu-TC。价值在于将物理约束嵌入生成预测；仅依据摘要，训练/测试时间切分、与业务预报基线、极端个例和推理成本仍需全文验证，不能替代气象预警。
Adaptive Multi-Agent Feature Selection for Personalized Fall Risk Prevention
作者：Chang Liu、Ladda Thiamwong、Yanjie Fu、Rui Xie
来源/分类：arXiv · cs.LG
链接：arXiv 摘要页 · PDF
仅依据摘要：研究如何以多智能体自适应特征选择做个性化跌倒风险预防。作者提出相关系统。价值在于把个人特征与干预建议联动；仅依据摘要，跌倒标签、临床人群代表性、干预因果效应和误报风险均未由摘要证明，不能替代医疗判断。