每日AI论文简报｜2026 年 8 月 23 日
重点关注
ATBench：安全识别尚可，风险机理诊断仍明显不足
论文：ATBench: A Diverse and Realistic Agent Trajectory Benchmark for Safety Evaluation and Diagnosis（arXiv:2604.02022）
全文状态：已核阅公开 PDF。
论文关注多步工具调用中的安全风险能否被可靠评估，而不是测量部署中 agent 的实际作恶率。ATBench 用“风险来源、失败模式、现实伤害”三维分类生成并审计完整轨迹：1,000 条样本（503 安全、497 不安全），平均 9.01 轮、3.95k token，调用 1,954 个工具，候选工具池为 2,084 个；生成后再经规则过滤、LLM 过滤与五名审阅者的全量人工核验。比较对象包括前沿闭源/开源模型和专用 guard 模型，统一读取同一条完整 ReAct 式轨迹。
论文报告 GPT-5.4 的二分类 F1 最高也只有 76.7%，其风险来源、失败模式和伤害的细粒度诊断准确率分别为 33.6%、13.5%、30.2%；AgentDoG-Qwen3-4B 的风险来源与伤害诊断较强（46.8%、40.6%），但失败模式也仅 16.5%。这说明“发现结果不安全”与“复原风险如何经工具接口、状态和延迟触发演化”是不同能力。创新在于把可控覆盖、长上下文和可诊断标签放入同一评测面；局限是轨迹仍由合成引擎构造，人工审核可修正标签却不能证明其分布等同真实生产日志，且评测模型、提示模板和安全分类法都会影响数值。适合 agent 安全、运行时监控、评测工程读者；建议优先读摘要、§3 构造流程、表 2、§4.2 及跨基准比较。
AI4AI-Bench：当前 agent 距“改进训练算法”仍很远
论文：AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement（arXiv:2608.20318）
全文状态：已核阅公开 PDF。
论文把“递归自我改进”收窄为更可测的问题：agent 是否真的改写了训练算法，而非只搜数据、调超参或改变运行配置。基准冻结 10 个研究仓库、覆盖 10 类训练算法；每个任务给 agent 4 小时和一张 B300 改写算法，随后从头运行最多 12 小时，由隐藏固定评测器与原仓库算法在相同流程下比较。由于任务指标不可直接比较，作者把各任务线性映射为 0（无信息模型）、0.1（原始算法）和 1（任务最优）。
在 6 个系统、29 个配置、全部 10 个任务的结果中，论文报告平均分为 0.166，最佳系统为 0.250，仍未走完“原算法到最优”距离的五分之一；真正更改学习机制的提交平均 0.226，未更改者为 0.126。提高推理投入将这类提交比例从 8% 提到 64%，均分从 0.094 提至 0.196。它的价值是把“会做 AI 研究”从模糊演示转成可复跑、等算力预算的算法设计测验；局限是 10 个冻结仓库的代表性、隐藏评测器的目标函数和 4/12 小时预算都会塑造结论，且分数改善不等于跨领域或真实研发效率提升。适合研究 agent、训练算法与 AI 能力评测读者；建议读摘要、§2 任务定义、§3 评测协议、主结果表和失败案例。
CAViAR：VLM 的感知正确不等于能判断事故责任
论文：CAViAR: A Causal Video Dataset for Fine-Grained Accident Reasoning in Real-World Scenarios（arXiv:2608.19380）
全文状态：已核阅公开 PDF。
论文研究驾驶事故视频中“谁看起来应负责、违反了什么规则”能否由 VLM 从可见证据推断。CAViAR 基于 CCD 的 1,500 段和 Nexar 的 749 段真实行车记录构成 2,249 段视频、20,108 条问答；以 CCD 训练、Nexar 测试，明确无共享视频、场景或设备。标注覆盖天气、光照、路况、事故类型、因果说明、表面责任主体、受影响主体和可见规则违规类别；责任标签对证据不足的样本留空，且论文强调它们不是法律责任认定。作者在 Cosmos-Reason2、Qwen3-VL、InternVL3 的 2B/8B 版本上比较零样本与 LoRA 微调，并加入多数类/随机基线、平衡准确率和 macro-F1。
作者报告在 Nexar 上，微调可显著改善部分小模型，例如 Qwen3-2B 的 MCQ 准确率从 55.67% 到 67.16%、BERTScore-F1 从 20.07 到 45.36；但 8B 模型的 MCQ 增量落在作者给出的 bootstrap 不确定性范围内。模型对光照等易感知属性相对更好，天气/路况经类别不平衡校正后可接近或低于多数类基线，而事故类型及责任推断明显退化。创新是将视频感知、因果链与可见规则相关的责任标签合并，并采用跨数据源测试；局限是责任的“表面”定义、四人标注与 GPT-4 语言润色流程、使用 GPT-4o 作开放题裁判及单次训练运行都会限制外推。适合自动驾驶安全、交通视频理解和多模态评测读者；建议读 §3 标注与切分、表 2/3、§4.1 指标协议和误差分析。
SameCapRisk-Bench：检索到“对的技能族”仍可能把错的技能放进上下文
论文：Right Family, Wrong Skill: Benchmarking Risk Exposure in Agent Skill Retrieval（arXiv:2606.10388）
全文状态：已核阅公开 PDF。
论文聚焦 agent 技能检索中更细的失败：检索器找到正确能力族，却把同族中不满足当前资源、前置条件、时效或输出契约的“危险兄弟技能”排入 top-K。SameCapRisk-Bench 有 1,190 个技能风险单元、1,686 个查询：核心层在 8,048 个公开候选中施压，困难层让两项技能在成对查询中互换“有用/危险”角色。除 Recall/NDCG 外，作者提出 HSR@K（危险兄弟暴露率）及 CleanHit@K（检索到有用项且未暴露危险兄弟）。
论文报告 SkillRouter、SkillRet、R3-Skill 的 Recall@3 为 0.848、0.873、0.888，但 HSR@3 也分别为 0.346、0.362、0.372；即高召回并没有排除错误的可执行上下文。使用已发布的受控家族关系的参考管线将 HSR@3 降至 0.007，Recall@3 为 0.833；不使用家族标签的文本聚类选择器仍只能把 HSR@3 降至 0.128–0.182。创新在于把“检索相关性”与“查询条件下的执行契约安全”分开报告；局限是 HSR 仅度量标注的兄弟项暴露，不等于完整运行时安全率，参考管线还使用基准关系及部分训练信号，不能与完全公开检索器当作同等部署条件比较。适合 agent 技能市场、RAG 路由和软件供应链治理读者；建议读 §3 指标、表 2、§4.3、表 4 与 §5 的执行范围界定。
AI 论文
From Accuracy to Auditability: A Survey of Determinism in Financial AI Systems
作者：Ruizhe Zhou、Xiaoyang Liu、Gaoyuan Du、Yi Zheng、Shouxi Ren、Deepayan Chakrabarti、Dengdu Jiang
来源/分类：arXiv · cs.AI、cs.DC、cs.LG、cs.SI、q-fin.CP
链接：arXiv 摘要页 · PDF
仅依据摘要：【跨主题·金融 AI】研究受监管金融场景中的模型结果为何难复现。论文综述表格模型解释方差、图网络随机采样/时序异步和 LLM 工作流的批处理漂移，并在公开数据上测信用评分解释排序、欺诈预测翻转和实体抽取输出差异，提出把 RBO、D_cos、TDI、PSD 接入审计准备度的分层框架。价值在于把统计回测过拟合之外的系统级非确定性纳入风险控制；作者报告的实验仍需复核硬件、随机种子、数据切分和审计阈值，且不是收益或合规结论。
ATBench: A Diverse and Realistic Agent Trajectory Benchmark for Safety Evaluation and Diagnosis
作者：Yu Li、Haoyu Luo、Yuejin Xie、Yuqian Fu、Zhonghao Yang、Shuai Shao、Qihan Ren、Wanying Qu、Yanwei Fu、Yujiu Yang、Jing Shao、Xia Hu、Dongrui Liu
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF · 代码 · 数据
已在重点关注中核阅全文；研究长轨迹工具 agent 的安全评估与诊断。作者用三维风险分类、异构工具池、延迟触发和全量人工审核构建基准，比较通用模型与 guard。论文报告最强二分类 F1 为 76.7%，细粒度失败模式诊断仅 13.5%；基准仍含合成轨迹与分类法依赖，不能直接外推为线上安全事故率。
CAViAR: A Causal Video Dataset for Fine-Grained Accident Reasoning in Real-World Scenarios
作者：Sparsh Garg、Yi-Wen Chen、Vijay Kumar B G、Abhishek Aich
来源/分类：arXiv · cs.CV
链接：arXiv 摘要页 · PDF · 代码与标注
已在重点关注中核阅全文；研究 VLM 能否从行车视频推断可见的事故因果与责任。作者以 CCD 训练、Nexar 测试的 2,249 段视频比较三类开源 VLM 与多数类基线，论文报告感知任务优于事故类型和责任推断。价值是将跨来源、无泄漏切分和责任标签纳入统一评测；责任不是法律结论，开放题裁判与标注协议仍是关键证据限制。
NepOOC-M: Bilingual Nepali-English Benchmark and Comparative Analysis of Multimodal Architectures for OOC Detection
作者：Sanjeev Khatiwada
来源/分类：arXiv · cs.CL、cs.CV
链接：arXiv 摘要页 · PDF
仅依据摘要：研究尼泊尔语—英语图文“移花接木”虚假信息检测。作者发布 1,090 对均衡图文样本、五种失配类型，标注者一致性 κ=0.84，并比较五种多模态架构与文本/图像基线。论文报告文本 mBERT 的 Macro-F1 为 94.65±0.20%，与最优 ResNet-50+mBERT 无统计差异，图像模型近随机。价值在于结果反驳“必然需要更复杂多模态结构”的直觉；样本规模、训练/测试泄漏、区域外迁移和图文来源偏差均需全文复核。
AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement
作者：Yizhe Chi、Wenyi Li、Deyao Hong、Xiaoqiu Wang、Mingju Gao、Kaisen Yang、Bingxiang He、Youjie Zheng、Calvin Xiao、Qinhuai Na
来源/分类：arXiv · 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 agent 是否能在等预算下改写训练算法。作者用 10 个冻结仓库与从头重跑的隐藏评测比较 6 个系统的 29 个配置，报告平均 0.166、最佳 0.250 的统一归一化分数。价值是隔离算法创新与调参/数据搜集；任务集和预算决定的结论不等同于通用递归自我改进能力。
Inter-X++: A Comprehensive Benchmark for Multimodal Human-Human Interaction Analysis
作者：Liang Xu、Chengqun Yang、Zili Lin、Xintao Lv、Yichao Yan、Xin Jin、Zhibo Chen、Xiaokang Yang、Wenjun Zeng
来源/分类：arXiv · cs.CV
链接：arXiv 摘要页 · PDF
仅依据摘要：研究人—人交互理解/生成中低保真运动、手势缺失和评测不统一的问题。作者用混合动捕采集 11,388 段序列、逾 810 万帧，加入文本、因果顺序、关系人格、接触图与物理约束，并提出统一表示 OpenHHI，在生成与感知任务上比较。论文报告达到 SOTA；数据授权、训练/测试主体或动作重叠、公平基线、动作生成物理失败和算力成本尚待全文验证。
Multi-Agent Orchestration with the Common-Sense Reasoning Capabilities of LLMs for Autonomous Driving
作者：Mehdi Azarafza、Faezeh Pasandideh、Ali Ehteshami Bejnordi、Stefan Henkler、Achim Rettberg
来源/分类：arXiv · cs.MA、cs.CL、cs.CV
链接：arXiv 摘要页 · PDF
仅依据摘要：研究如何把 LLM 常识推理与 PPO、PID 控制结合，避免 LLM 直接控制的时延和幻觉风险。作者以编排器协调模块，并让 LLM 迭代修订 RL 奖励，在随机化 CARLA 场景评估。作者仅报告该混合框架“显示潜力”；仿真到道路的迁移、与强端到端/规则基线的公平比较、极端失败与实时成本均未由摘要证明。
ReguSim: Evaluating LLM Agent Rule Grounding in Financial Compliance
作者：Yiyang Luo、Yihang Jiang、Qijun Xie、Liang Lan、Lin Willian Cong、Anyi Rao、Yunya Song
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：【跨主题·金融 AI】研究 LLM 交易 agent 是否真正把规则落到可执行动作。作者构建受控合规环境 ReguSim 和监控基准 ReguBench，分离口头推理、尝试下单、执行拦截和监控证据；以 DeepSeek V4 Pro、Gemini 3.5 Flash 与结构化基线比较。论文报告可见规则会减少但不能消除拒绝动作，激励/人设会改变行为，简单结构化监控可匹配或超过纯提示 LLM。价值在于不把“会引用规则”误当合规；结果来自模拟环境，不能说明真实监管适用性、因果效应或可交易表现，也不构成投资建议。
Scientific Data Skills: Enabling Agent-Ready Scientific Data Services at Scale
作者：Xiaohan Huang、Qingqing Long、Xiaolei Du、Siyu Pu、Jiawen Xu、Haotian Chen、Chenyang Zhao、Jinbiao Liu、Xuezhi Wang、Hao Wang、Hengshu Zhu、Yuanchun Zhou
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：研究异构科学数据如何以可复用的 agent 技能形式暴露。作者定义包含数据说明、科学背景、文件组织、使用步骤、质检和溯源的 SciDSK 规范，并建立覆盖六学科的 Skill Bank，在数据发现与解释案例中比较。作者报告检索和解释更准确可操作；权威记录到技能的自动转换质量、数据版本漂移、许可、基准污染和真实 agent 执行收益仍需核验。
The Evaluation Context Protocol (ECP): A Portable Contract for AI Agent Evaluation
作者：Aniket Wattamwar、Manav Anandani、Mrunal Kakirwar
来源/分类：arXiv · cs.SE、cs.MA
链接：arXiv 摘要页 · PDF
仅依据摘要：研究 agent 评测基础设施碎片化的问题。作者提出早期、厂商中立的 JSON-RPC 合同，让 agent 公开用户可见输出、工具调用及对评测器安全的审计上下文，并提供 LangChain、LlamaIndex、CrewAI、PydanticAI 适配器。价值在于为 CI 中的可编程检查定义最小接口；论文自称仍是进行中标准，缺少大规模互操作与可靠性实证，审计上下文的隐私边界也待证明。
M3: A State-Event Generative Foundation Model for Market Microstructure Dynamics
作者：Yanzhi Zhang、Yu Ma、Yilin Cheng、Jian Li、Yitong Duan
来源/分类：arXiv · q-fin.CP、cs.LG
链接：arXiv 摘要页 · PDF
仅依据摘要：【跨主题·金融 AI】研究订单流与限价簿流动性的联合生成，服务反事实市场微观结构模拟。作者用大规模真实逐笔数据训练状态—事件生成模型 M3，报告存在可预测的扩展规律、可复现若干市场事实，并可用于预测、压力测试和冲击分析。价值在于不再把订单事件和盘口状态割裂；单条历史轨迹无法直接验证反事实，样本内/样本外切分、市场制度迁移、尾部情景、校准误差和真实可交易结果均不能由摘要推出，不构成投资建议。
Time-Series Retrieval for Grounding Multimodal Language Models in Remaining Useful Life
作者：Valeriu Dimidov、Raphaël Frank
来源/分类：arXiv · cs.CL、cs.AI、cs.LG
链接：arXiv 摘要页 · PDF
仅依据摘要：研究以时间序列检索为多模态模型提供设备退化证据，改善剩余寿命预测。作者从训练集检索相似退化片段，将其与测试轨迹变为视觉对照输入，在 C-MAPSS FD001 上与随机参考的非检索基线反复比较。论文报告各模型误差更低、表现更稳定，且收益随模型容量而变。价值在于把 RAG 从文本证据扩到时序证据；仅一个分区、训练集近邻泄漏风险、工业分布转移和可解释/算力代价需要全文核验。
Right Family, Wrong Skill: Benchmarking Risk Exposure in Agent Skill Retrieval
作者：Jiandong Ding、Honglei Ji、Ming Liu、Tao Duan
来源/分类：arXiv · cs.IR、cs.AI
链接：arXiv 摘要页 · PDF
已在重点关注中核阅全文；研究技能检索中同能力族的契约错配。作者在固定候选池上同时报告有用项召回和危险兄弟暴露，论文报告 R3-Skill 的 Recall@3 为 0.888 但 HSR@3 为 0.372。价值是把执行前暴露作为独立指标；HSR 不是未标注技能的完整安全率，受控参考管线也不等同生产部署。
An Agentic Approach for Active Data Collection, Travel Behavior Modeling, and Weather-Sensitive Demand Prediction
作者：Narges Ahmadi、Yubo Jiao、Jônatas Augusto Manzolli、Jiangbo Yu、Luis Miranda-Moreno
来源/分类：arXiv · cs.AI、cs.CL
链接：arXiv 摘要页 · PDF
仅依据摘要：研究聊天式采集、数据处理和出行需求预测能否形成可审计三 agent 工作流。作者以学生通勤者五种天气场景的 454 条回应，比较多项 logit/随机森林基线与 9 个 2B–35B 本地 LLM。论文报告随机森林五分类准确率 69.6%，最佳文本零样本 LLM 69.9%，最佳视觉配置 71.5%。价值在于披露传统模型基线而非只展示 LLM；样本小且为陈述偏好，随机准确率差异、地区/季节泛化与真实行为因果关系均须谨慎。
RoMAN-Flow: Taming Autoregressive Normalizing Flows for Offline Reinforcement Learning in Robotic Manipulation
作者：Shaoxuan Wang、Guangting Zheng、Rui Huang、Zhipeng Tang、Sha Zhang、Jiajun Deng、Yanyong Zhang
来源/分类：arXiv · cs.CV
链接：arXiv 摘要页 · PDF · 代码
仅依据摘要：研究离线机器人 RL 中自回归正态化流的精确似然与采样慢的矛盾。作者用免采样的优势加权似然优化，并将优化后的自回归策略蒸馏为一步动作生成器，在仿真和真实机器人平台比较。论文报告性能有竞争力且推理时延显著下降；离线数据覆盖、奖励/优势估计偏差、与扩散策略的同预算比较、真实平台任务数量和安全失败条件需由全文确认。
DARS: Dual-Level Credit Assignment RL with Structured Reasoning for Instruction-Based Image Editing
作者：Haoxiang Cao、Jiajiong Cao、Xuanpu Zhang、Changqian Yu、Chaoqun Wang
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：研究图像编辑的规划器—渲染器为何难从最终奖励获得正确归因。作者以多规划/多渲染 rollout 区分模块间与模块内方差，用结构化四字段推理、前缀门控奖励和 token 级优势重权，并在五个基准与相同骨干、数据、奖励模型、rollout 预算的 Joint RL 基线比较。论文报告整体优于基线，推理密集编辑收益最大；奖励模型偏差、训练数据污染、审美主观性及额外 rollout 算力是关键限制。
Rethinking the Evaluation and Optimization of LLM-Based Social Simulation
作者：Pei Wang、Xu Chen、Ji-Rong Wen
来源/分类：arXiv · cs.AI
链接：arXiv 摘要页 · PDF
仅依据摘要：研究社会模拟把单个人类答案当唯一正确标签的评测偏差。作者提出主观性系数与适应性软标签训练 SALT，构建含 19,300 个上下文、193 位标注者、100 个主观问题的 SUBJSIM，并以完整回应分布评测。论文报告该方法在 SUBJSIM 上更有优势。价值在于将“拟合一个观察值”与“拟合行为分布”区分；聚合邻域、标注者代表性、问题覆盖及模拟到真实人群行为的外推仍不成立。
Accelerated Genetic Programming Hyper-Heuristics for Simulation-Based Scheduling via Agentic AI
作者：Heyang Thomas Li、Alexander Pletzer、Yuan Tian、Yi Mei、Mengjie Zhang
来源/分类：arXiv · cs.SE、cs.AI、cs.NE
链接：arXiv 摘要页 · PDF
仅依据摘要：研究 agentic AI 能否在项目调度仿真中完成有验证的性能重构。作者让 Claude agent 在 HPC 上经剖析、重构、测试与验证优化真实工作负载，并保留研究者最终控制。论文报告测试时间由 1,298 秒降至不足 200 秒、输出不变，估算年省 400 万核时。价值在于把正确性检查纳入性能改写；结果来自特定代码/硬件和成本假设，代理提出的改动、人工审查投入、可维护性及其他工作负载泛化尚未由摘要证明。