每日 AI 论文简报｜2026 年 9 月 16 日
重点关注
本次 AI 候选共 18 篇，均来自 arXiv 官方 RSS，并已按论文 ID 去重后全部纳入。下面 5 篇已核阅公开 PDF；其余论文在后文明确标注为仅依据摘要。全文分析区分论文作者报告的结果、可复核的实验条件和编辑判断，不把论文自述直接等同于已被独立验证的事实。
1. MARCUS：面向心脏诊断与管理的多模态智能体视觉语言模型
作者：Jack W O’Sullivan、Mohammad Asadi、Lennart Elbe、Akshay Chaudhari、Tahoura Nedaee、Francois Haddad、Ivan Lopez、Fang Cao、Michael Salerno、Li Fe-Fei、Ehsan Adeli、Rima Arnaout、Euan A Ashley
来源/分类：arXiv RSS；cs.AI。
全文状态：已核阅公开 PDF（39 页）。
核心问题：论文要解决的不是“让模型看懂一张医学图像”这一单点任务，而是让不同心脏影像模态共同参与诊断和管理问答，同时避免语言模型在缺少图像证据时凭语言先验作答。训练数据来自单一 Stanford 中心，包括 249,785 份 ECG、1,266,144 张超声图像和 12,191,751 张 CMR 图像；论文还构造了覆盖约 270,000 个研究、约 160 万个任务的评测集。
方法与基线：MARCUS 采用模态专用视觉语言专家和一个多模态编排器，语言侧为 3B 模型。训练分为视觉编码器预训练（13.5M 张图像）、741k 条精选视觉问答监督微调和 879k 个诊断选择题上的 GRPO。ECG 使用 12 导联图像化输入，超声通过多视角视频注意力处理，CMR 路由影像与元数据。编排器还会执行三种改写、无图像反事实探针和置信度检查。比较对象包括 GPT-5 Thinking、Gemini 2.5 Pro 以及公开的专科模型。
作者报告的主要结果：在 Stanford 内部集与未微调的 UCSF 外部集上，ECG 准确率为 87%-91%，超声为 67.4%-86.0%，CMR 为 85%-88%，论文所列前沿通用模型对应范围约为 24%-58%；多模态综合选择题为 70.0%，而 GPT-5 与 Gemini 分别为 22.5% 和 27.5%，差异报告为 p<.001。Stanford ECG 自由文本专家评分为 3.65，对比 GPT-5 的 2.60；UCSF ECG 为 4.14，对比 2.89。单模态专家在图像缺失测试中出现 33.0%-38.5% 的“幻觉式”作答，而编排器在论文测试队列中将该类错误压到 0%。
创新、局限与适用边界：真正值得关注的是把“证据是否存在”作为编排协议的一部分，而不是只扩大视觉编码器。风险也很明确：训练数据来自单中心，问答主要是回顾性、精选的选择题/VQA，尚未验证真实临床结局、诊断错误率或治疗时间；公开原始影像受保护，完整 benchmark 和模型权重在论文中写为接收后提供，当前代码和测试问题已公开。因此这些结果是医学决策支持研究结果，不是临床诊断依据，也不能据此比较不同医院的真实部署收益。
适合谁读：医疗多模态模型、医学 VQA、证据接地和安全评测团队。建议先读方法与数据构造，再读外部验证、反事实探针和局限部分；重点检查单中心训练与问题生成机制是否适合自己的临床场景。
2. MUSE-Bench：带异质上下文的多模态预测统一基准
作者：Peng Chen、Zhihao Zhuang、Hongzhou Chen、Junhao Huang、Aiping Yang、Mengsen Wu、Yiding Liu、Xilin Dai、Zewei Dong
来源/分类：arXiv RSS；cs.LG、cs.AI。
全文状态：已核阅公开 PDF（22 页）。
核心问题：传统时间序列基准通常只给数值序列，现实预测却会同时面对事件、新闻、假日、图像、元数据和外生数值变量。MUSE-Bench 试图把“上下文是否真的在预测时可用、是否与目标对齐”纳入统一评测，而不只是给模型更多文本。
方法与基线：基准覆盖 14 个数据集、8 个领域和 6 类上下文，包含金融、能源、交通、自然、社会、医疗、电商与零售，并加入 4 个匿名工业数据集。统一数据结构把序列、协变量和上下文的时间戳分开；滚动窗口不重叠，未来已知变量只有在预测时点之前可获得才允许进入。作者用同一覆盖率的 SeasonalNaive、WSQL 等作归一化，比较 Chronos2、TimesFM2.5、Timer-S1、Moirai2、Sundial、Toto、Aurora、VoT、TaTS、GPT4MTS、ChatTime 和直接提示的 Qwen/Gemma 等。
作者报告的主要结果：整体 MASE 表中 Chronos2 为 0.7338、TimesFM2.5 为 0.7381、Timer-S1 为 0.7419，Aurora 多模态模型为 0.8973，优于 VoT 的 0.9079，但落后于头部纯数值时间序列模型；直接 LLM 提示明显落后于 SeasonalNaive。上下文消融显示，VoT 从仅序列的 0.9486 改善到原始上下文的 0.9079，但替换成错误或错位上下文后回到 0.9412。让 Chronos2 做预测后语言模型精炼只在 ACL 股票上把 MASE 从 1.185 降到 1.114，在 CiK 交通和零售上反而恶化 10.35% 和 11.92%。短期上下文模型平均改善 3.32%，长期预测则恶化 3.36%。
创新、局限与适用边界：这项工作的贡献更接近评测协议而非新预测器：它把“上下文可用性”和“错上下文惩罚”显式化。金融数据集中包含 ACL18_US_stock、CiK_Finance 和 TimeCAP_Finance，但摘要和 PDF 未给出可直接复用的代码链接；工业数据匿名，跨数据集的优势也不能自动转化为交易收益。读者还应区分零样本、数据集专用训练与统计基线，避免把整体 MASE 排名解释为因果增益。
适合谁读：时间序列基础模型、事件驱动预测、金融预测基准和数据泄漏审计团队。建议先看统一切分和上下文消融，再看长期 horizon 的退化结果。
3. TriCalRAG：面向 AIOps 根因分析的三策略检索增强基准
论文：arXiv 摘要页 · 直接 PDF · 代码、数据与评测框架
作者：Rohit Patel、Susil Kumar Mohanty、Jeenal Chaudhary
来源/分类：arXiv RSS；cs.DC、cs.AI、cs.CR、cs.ET、cs.LG。
全文状态：已核阅公开 PDF（8 页）。
核心问题：AIOps 日志根因分析常见的失败不只是“答错”，还包括把所有事件都判成异常、输出无法解析以及高显存下吞吐不足。TriCalRAG 将零样本、固定少样本和检索增强放在同一小型基准中，重点观察检索是否改善校准，而不是只报告一个 F1。
方法与基线：作者从 BGL、HDFS、Thunderbird、OpenStack 四个公开日志集各取 150 个平衡事件，共 600 个事件；每个事件由 5 行原始日志组成。RAG 使用 FAISS 与 MiniLM-L6 检索 3 个排除自身的样本，模型为 Qwen2.5-14B 和 Mistral-Small-22B，在单张 RTX PRO 6000 96GB 上通过 vLLM 推理，并以 DeepLog 做传统基线。每种设置跑 3 个随机种子，输出异常、严重度、根因和修复建议，但评分只对二元异常标签进行。
作者报告的主要结果：宏平均 F1 中 Mistral 为 0.644、Qwen 为 0.560；对应吞吐约 365.9 和 713.1 token/s，显存均约 86GB。Mistral 的零样本在 BGL、HDFS、OpenStack 上几乎全判正类，准确率约 0.500-0.507，RAG 后 8 个配置中有 7 个达到作者设定的校准阈值，而零样本只有 2 个。BGL 的 RAG F1 为 0.92-0.94，Thunderbird 为 0.88-0.89；HDFS 最高约 0.687，作者归因于日志块标签与固定五行窗口的错位。Qwen 批量从 1 增至 128 时吞吐由 48.3 增至 1,991 token/s；AWQ 4-bit 在该设置下延迟约降 20%，F1 为 0.739，对比 BF16 的 0.730。
创新、局限与适用边界：校准、吞吐和解析失败率共同报告，比只看准确率更接近 on-premise 部署。DeepLog 的 F1 为 0.698，但使用了更小的 120 个事件，不能与主实验简单横比；HDFS 的窗口设计本身会影响结论，早期解析器曾有 57.1% 失败率，修正后为 0.2%。根因文本没有被评分，只有两个开源模型，数据规模和场景有限，不能据此宣称真实生产事故的根因定位已被解决。
适合谁读：日志异常检测、RAG 评测、私有化 LLM 推理和 SRE 平台团队。建议复现实验时先检查窗口标签对齐、JSON 解析和吞吐测量，再决定是否把 F1 改善接入告警系统。
4. ZGCM-1：面向数学与智能搜索的开放高效基础模型
论文：arXiv 摘要页 · 直接 PDF · 代码仓库 · 模型 · 数据集
作者：Jiyan He、Guang Liang、Hao Liu、Haoxiang Guan、Jinbo Sun、Junyi Guo、Wenjun Feng、Yantai Xie、Yifei Shen、Bin Shao、Chuyang Wei、Kai Chen、Kexin Zhou、Minghang Zhu、Shuxin Zheng、Tie-Yan Liu、Taine Zhao、Wenhui Zhu、Xueyin Xu、Xiaoqing Zhang、Yatao Li、Yuxuan Ren
来源/分类：arXiv RSS；cs.AI。
全文状态：已核阅公开 PDF（48 页）。
核心问题：论文关注在有限推理与训练资源下，如何同时保留长上下文、数学推理和工具/网页搜索能力，并把模型、训练代码、数据和日志尽可能开放。它不是单一技巧论文，而是把滑动窗口注意力、FP8、Muon 优化器、中训阶段和 agentic 评测组合成完整训练方案。
方法与基线：ZGCM-1 为 7.39B 参数、32 层、最大 256K 上下文的稠密模型，混合门控滑动窗口注意力与全局注意力，比例为 5:1。预训练两阶段合计约 4.19T token，中训再使用约 600.51B token 覆盖 16K、64K 和 256K；SFT 数据约 4.92M 条。训练使用 FP8、Muon、Pre-LN 等组合，并在数学、代码、通用知识、WebWalkerQA、BrowseComp、GAIA 与自建函数搜索任务中比较多个开源和前沿模型。
作者报告的主要结果：长上下文注意力在 256K 时相对全注意力约 3.94 倍速度，KV 记忆占用由每 token 128KiB 降至 20KiB；论文将多项技术的 time-to-loss 产品因素估计为约 4.2 倍，但这不是一项端到端总成本实测。思考模式下，MATH500 为 97.13、AIME24 为 80.62、HumanEval+ 为 90.24、MMLU 为 73.88、GPQA 为 47.87；WebWalkerQA 为 63.09、BrowseComp 为 19.43、GAIA text-only 为 42.52。50 个函数搜索任务上 ZGCM-1 为 62%，Qwen3-8B 为 12%。
创新、局限与适用边界：开放训练资产和长上下文工程是主要价值，4.2 倍则应被理解为论文按组件给出的估算，而不是任何硬件都能复现的成本承诺。任务表现高度依赖搜索服务、日期、抽取器和 judge；无思考模式下部分任务从 SFT 中负迁移，SWE-bench Verified mini50 仅完成 2/50，Terminal-Bench2 为 2/89。论文还未给出完整端到端算力账单，模型在闭源前沿的工具任务上并非全面领先，因此部署者应把开放性、成本、稳定性和任务成功率分别验收。
适合谁读：开源基础模型、长上下文系统、训练效率和工具调用 agent 团队。建议先读注意力与训练配方，再看无思考、软件工程和网页搜索失败条件；需要复现时同时固定权重、数据、搜索提供商和评测 judge。
5. 面向 AI 智能体的任务级权限范围架构实证评估
论文：arXiv 摘要页 · 直接 PDF · 代码仓库 · 模型检查点
作者：Halil Burak Noyan
来源/分类：arXiv RSS；cs.AI、cs.CR。
全文状态：已核阅公开 PDF（11 页）。
核心问题：企业 agent 如果只按部门或角色授权，容易给出超过当前任务所需的权限；只靠语言模型判断，又可能在边界任务上过度授权。论文评估“角色上限 ∩ 任务分类器 ∩ 确定性禁用规则”的三层架构能否同时减少权限风险与合法任务被拦截。
方法与基线：数据集包含 600 条合成企业任务提示、6 个部门和 15 类权限，500 条训练、100 条测试；风险权重为 Tier 1/2/3 的 3/2/1。主分类器是 355M 参数 RoBERTa-large，训练 40 epochs；比较 TF-IDF 和 Claude Haiku 4.5 few-shot。推荐配置把任务置信度阈值设为高/中/低 0.8/0.6/0.4；所有量化结果是静态权限评估，论文未对运行时拦截做实测。
作者报告的主要结果：表 1 中 RoBERTa 的风险差值为 0.63、宏平均 F1 为 0.881、精确率为 0.897；Claude 的差值为 1.12、F1 为 0.886、精确率为 0.842。推荐阈值下 RoBERTa 的差值降至 0.53，自动处理率 79%，精确率 0.915，但没有配置同时达到“漏授予低于 10%”与“宏精确率不低于 0.90”。角色上限单独消除 27.9% 的攻击面，任务分类器约 84.2%，组合后为 84.4%；绕过分类器时，部门规则会使 Engineering、Data & Analytics 和 Security 分别新增约 11.5%、13.6% 和 11.5% 的合法任务阻断。
创新、局限与适用边界：论文把最小权限从静态角色问题拆成任务级分类和确定性禁用，有利于工程落地；但数据是合成的，测试集仅 100 条，且训练和测试共享部门分布，不能证明新员工、新权限或对抗提示下的泛化。标注虽报告了较高一致性，仍依赖 LLM 生成并由专家重标；单作者规则集、粗粒度权限和未评估 runtime 模式也限制结论。T4 上微调约 14 分钟，但没有与 Claude 做端到端延迟和成本对照。
适合谁读：agent 安全、IAM、权限策略引擎和企业自动化平台团队。建议把它当作离线策略分类器研究，部署前补充真实任务、对抗测试、跨部门泛化和运行时拒绝率。
AI 论文
以下为本次 AI 主题 arXiv RSS 候选中的全部 18 篇。每篇均保留摘要页和直接 PDF；除“重点关注”中列出的 5 篇外，其余条目仅依据公开摘要，摘要没有给出的基线、数据细节和失败分析不作推断。
1. Trustworthy Agentic AI: A Comprehensive Cybersecurity and Systems Survey on Threat Landscapes, Defense Architectures, and Open Challenges
作者：Seyedakbar Mostafavi
来源/分类：arXiv RSS；cs.AI。
中文简介：研究自主 agent 把推理、记忆、工具执行和多 agent 协作接入文件系统、网络与云基础设施后产生的安全边界问题。作者在摘要中称综述 206 项基础研究与监管标准，形式化有状态 agent，并提出覆盖安全、可靠性、隐私、可解释性、公平性和问责的六维可信分类，以及结合双 LLM 隔离、能力访问控制、eBPF 探针和沙箱的纵深防御架构。价值在于把 prompt injection、权限和执行面放到同一系统模型中；摘要未提供统一实证基准、部署成本或控制效果，不能把架构建议当作安全性证明。
证据状态：仅依据摘要。
2. MARCUS: An agentic, multimodal vision-language model for cardiac diagnosis and management
作者：Jack W O’Sullivan、Mohammad Asadi、Lennart Elbe、Akshay Chaudhari、Tahoura Nedaee、Francois Haddad、Ivan Lopez、Fang Cao、Michael Salerno、Li Fe-Fei、Ehsan Adeli、Rima Arnaout、Euan A Ashley
来源/分类：arXiv RSS；cs.AI。
中文简介：研究多种心脏影像能否由 agent 协同用于诊断和管理问答；作者报告基于约 1,350 万张图像和约 160 万个专家问题，模态专家加多模态编排器在 ECG、超声、CMR 和综合任务上超过所列通用模型，并加入无图像反事实探针降低视觉缺失时的幻觉。单中心回顾性数据、精选问答、未验证临床结局和受保护的原始影像是关键边界，详细数字与安全分析见“重点关注”。
证据状态：已核阅公开 PDF，详细分析见“重点关注”。
3. Beyond Numerical Time Series: A Unified Benchmark for Multimodal Forecasting with Heterogeneous Context
作者：Peng Chen、Zhihao Zhuang、Hongzhou Chen、Junhao Huang、Aiping Yang、Mengsen Wu、Yiding Liu、Xilin Dai、Zewei Dong
来源/分类：arXiv RSS；cs.LG、cs.AI。
中文简介：提出 MUSE-Bench，统一评估金融等 8 个领域中的数值序列、事件、新闻、图像和协变量上下文。作者报告 14 个数据集、6 类上下文和时间可用性约束，并发现纯数值时间序列基础模型整体领先，多模态上下文只在短期或对齐正确时稳定有益，错误上下文会抵消收益；直接 LLM 预测和后处理精炼并不稳定。数据匿名、跨任务 MASE 不等于经济收益，全文核验见“重点关注”。
证据状态：已核阅公开 PDF，详细分析见“重点关注”。
4. Hallucination in Multimodal Foundation Models: A Survey on Causes, Corrections, and Evaluations
作者：Yinghao Guo、Wei Lan、Wenyi Chen、Qingfeng Chen、Shichao Zhang、Shirui Pan、Huiyu Zhou、Yi Pan
来源/分类：arXiv RSS；cs.AI。
中文简介：综述视觉语言模型幻觉的架构与数据成因、缓解和纠正策略，并从判别式与生成式角度讨论评测基准和指标局限。价值在于提供术语和评测框架，适合与今天的 MARCUS、E2A-Bench 对照阅读；摘要没有给出统一效果排序、算力成本或跨模型可复现实验，不能把综述中的策略分类理解成已验证的最佳方案。
证据状态：仅依据摘要。
5. ANASSA: An Agentic AI Orchestration Framework for Spatial Intelligence
作者：Constantinos Papantoniou、Brian Hilton
来源/分类：arXiv RSS；cs.AI。
中文简介：面向 GIS 的半自主空间分析工作流，提出 ANASSA 架构，将空间推理、多 agent 编排、执行反馈、权威空间验证、溯源、不确定性处理和人工决策权放入统一设计。摘要明确说明贡献是架构级规范，包含四层十一组件和六步认知循环，经验性能评估留待实现与部署研究；因此当前不能据此比较空间任务准确率或生产可靠性。
证据状态：仅依据摘要。
6. TriCalRAG: A Three-Strategy, Retrieval-Augmented Benchmark for On-Premise LLM-Based Root Cause Analysis in AIOps
作者：Rohit Patel、Susil Kumar Mohanty、Jeenal Chaudhary
来源/分类：arXiv RSS；cs.DC、cs.AI、cs.CR、cs.ET、cs.LG。
论文：arXiv 摘要页 · 直接 PDF · 代码、数据与评测框架
中文简介：在 BGL、HDFS、Thunderbird 和 OpenStack 日志上比较零样本、少样本和 RAG 的本地 LLM 根因分析。作者报告 RAG 相对零样本平均 F1 提升约 0.10-0.27，并同时讨论校准、批处理吞吐和 AWQ 延迟；但 HDFS 窗口与标签错位、根因文本未评分、DeepLog 样本量不同以及只有两个模型限制了外推。全文核验见“重点关注”。
证据状态：已核阅公开 PDF，详细分析见“重点关注”。
7. A Generative AI Integrated Multimodal Framework for Low-Latency Multi-Camera Person Re-Identification
作者：Leon Fernando、C Dombawala、P. Hettigoda、Vanodhya G. Warnasooriya、Ishara Neranjana、Rashmika Nawaratne
来源/分类：arXiv RSS；cs.CV、cs.AI、eess.IV。
中文简介：研究在多摄像头行人重识别中，如何用全局视觉嵌入、VLM 生成的细粒度属性和可选人脸嵌入构成低延迟的成本感知 early-exit cascade。作者在 Market-1501 与 DukeMTMC-reID 上报告，分别有 68.4% 和 60.7% 的查询无需调用语义推理即可结束，同时维持有竞争力的 mAP 与 Rank-1；摘要未给完整精度-延迟曲线、隐私与跨摄像头偏差分析，不能据此推断监控部署安全性。
证据状态：仅依据摘要。
8. ShopEase: A Generative AI-Based Multi-Agent Framework for Intelligent Enterprise Customer Support Using Hybrid Retrieval-Augmented Generation
作者：Aakash Kumar Tiwari、Somesh Kumar
来源/分类：arXiv RSS；cs.CL。
中文简介：提出由意图、CRM、记忆、混合 RAG、升级和监督器组成的本地客服多 agent 框架，使用 LLaMA 3.2、FAISS、BM25 和多种重排配置。作者在 2,632 条留出客服问题上报告 FAISS-only 准确率 85.37%，高于 BM25-only 的 55.74%；交叉编码器重排反而降至 81.88%-83.24% 并增加延迟，Unknown 类仍是主要错误来源。结果只覆盖六类客服数据，不能直接代表真实企业工单的长期解决率。
证据状态：仅依据摘要。
9. Positioning manuscripts in the scientific landscape with agentic AI
作者：Jiawen Chen、Zichen Zhang、Bingxuan Li、Quan Sun、Yiyan Zhang、Edric Tam、Jinjie Lin、Didong Li、Yun Li、Bingxin Zhao
来源/分类：arXiv RSS；cs.AI。
中文简介：提出 PASS，用论文内容和领域文献邻域预测适合的发表 venue，并给出影响潜力和新颖性等质量分数。作者在经泄漏审计的 2,000 多篇、16 个生物医学领域预印本上报告 Top-1 50.3%、Top-5 86.1%，检索模块贡献最大，摘要输入接近全文性能；这些是 venue 推荐和质量对齐结果，不是发表因果预测，领域覆盖和标签构造仍需全文核查。
证据状态：仅依据摘要。
10. ZGCM-1: A Fully Open and Extremely Efficient Foundation Model for Math and Agentic Search
作者：Jiyan He、Guang Liang、Hao Liu、Haoxiang Guan、Jinbo Sun、Junyi Guo、Wenjun Feng、Yantai Xie、Yifei Shen、Bin Shao、Chuyang Wei、Kai Chen、Kexin Zhou、Minghang Zhu、Shuxin Zheng、Tie-Yan Liu、Taine Zhao、Wenhui Zhu、Xueyin Xu、Xiaoqing Zhang、Yatao Li、Yuxuan Ren
来源/分类：arXiv RSS；cs.AI。
论文：arXiv 摘要页 · 直接 PDF · 代码仓库 · 模型 · 数据集
中文简介：提出完全开放的 7B 级数学与 agentic search 基础模型，结合混合滑动窗口注意力、FP8、Muon 和长上下文中训。作者报告 256K 上下文效率约为全注意力的 3.94 倍，并在数学、代码、网页搜索和函数搜索任务上给出竞争性结果；但软件工程任务表现较弱，效率数字是特定配方下的估算，详细失败条件见“重点关注”。
证据状态：已核阅公开 PDF，详细分析见“重点关注”。
11. Iterative Multimodal Retrieval-Augmented Generation for Medical Question Answering
作者：Xupeng Chen、Binbin Shi、Chenqian Le、Jiaqi Zhang、Kewen Wang、Ran Gong、Jinhan Zhang、Chihang Wang
来源/分类：arXiv RSS；cs.AI。
中文简介：提出 MED-VRAG，直接检索 PMC 文档页面图像而不是 OCR 文本，并用 ColQwen2.5 页面嵌入、分片 MapReduce 过滤器和最多三轮迭代式证据记忆回答医学问题。作者报告四个医学 QA 基准平均准确率 78.6%，同一 Qwen2.5-VL-32B 骨干下检索比无检索高 5.8 个百分点，页面图像、迭代和记忆库消融分别带来约 1.0、1.5 和 1.0 个百分点；摘要注明与 MedRAG + GPT-4 的 76.8% 是跨论文比较，不是 head-to-head。
证据状态：仅依据摘要。
12. CLEAR: Context Augmentation from Contrastive Learning of Experience via Agentic Reflection
作者：Linbo Liu、Guande Wu、Han Ding、Yawei Wang、Qiang Zhou、Yuzhe Lu、Zhichao Xu、Huan Song、Panpan Xu、Lin Lee Cheong
来源/分类：arXiv RSS；cs.AI。
中文简介：CLEAR 先让反思 agent 对历史执行轨迹做对比分析，再训练上下文增强模型，并用执行 agent 的奖励继续强化学习，使生成的上下文适配当前任务。作者报告 AppWorld 测试任务完成率从 72.62% 提升到 81.15%，WebShop 子集平均奖励从 0.68 提升到 0.74；摘要未说明所有基线的训练预算、经验污染控制和跨任务泛化，数字应视为论文实验结果而非普遍增益。
证据状态：仅依据摘要。
13. VideoScout: Learning Agentic Active Exploration with Adaptive Reasoning Pacing for Long Video Understanding
作者：Weixin Xu、Zhenyu Yang、Bing Wang、Shengsheng Qian、Changsheng Xu
来源/分类：arXiv RSS；cs.CV、cs.AI。
中文简介：把长视频理解表述为顺序证据获取问题，让 agent 自主决定观看速度、保留证据、回看和停止时机。作者构造 VideoScout-66K，来自约 10,000 条经答案验证的轨迹，并用冷启动监督微调加 DAPO 轨迹级强化学习训练 7B 模型；摘要称其在长视频理解与推理基准上优于已有训练型 7B agent，但未给出具体基准表、算力和错误类型。
证据状态：仅依据摘要。
14. BVB: Benchmarking Agentic Video Understanding via Programmatic Reconstruction in Blender
作者：Yolo Y. Tang、Daiki Shimada、Jiayue Meng、Jing Bi、Pinxin Liu、Yicheng Wang、Yunzhong Xiao、Zhangyun Tan、Zeliang Zhang、Chao Huang、Susan Liang、Qianxiang Shen、Luchuan Song、Ali Vosoughi、Mingqian Feng、Melika Filvantorkaman、Chenliang Xu
来源/分类：arXiv RSS；cs.CV。
中文简介：提出 Blender-VideoBench，让 agent 在统一沙箱和成本限制内用程序重建真实视频，再用双 VQA 和潜在相似度评价时空事实保留与感知相似度。作者评估 10 个模型家族的 51 个配置，最佳模型潜在相似度 88.6，但只保留 53.7% 的源视频正确时空问答；更多推理提高视觉相似度却没有弥合事实准确率差距。该基准测的是可编程重建能力，不等于通用视频理解或真实世界行动能力。
证据状态：仅依据摘要。
15. Salesforce Koa: An Enterprise Language Model for Agentic Tool Use
作者：Zixiang Chen、Sufeng Niu、Yingchi Liu、Wenting Zhao、Akshara Prabhakar、Shubham Mehrotra、Bin Bi、Zhujun Lan、Katherine Tan、Mohammad Ramezanali、Tulika Manoj Awalgaonkar、Monojit Banerjee、Jielin Qiu、Shiva Kumar Pentyala、Zhepeng Cen、Anupam Tripathi、Ali Ziaei、Regunathan Radhakrishnan、Darvish Lee Shadravan、Shelby Heinecke、Sitaram Asur、Silvio Savarese、James Zhu、Phil Mui、Huan Wang
来源/分类：arXiv RSS；cs.CL、cs.AI、cs.LG。
中文简介：介绍在开放权重 Nemotron-3-Super-120B 基础模型上用 GRPO 后训练的 Salesforce Koa，核心是把企业 Agent Script 工作流规格转成带 persona 的多轮任务，并用工具调用是否完成来给奖励。作者报告其在公开工具使用、agentic reasoning 和 CRM 基准上超过基础模型，尤其改善多轮工具调用，同时低于最强前沿模型；摘要没有给逐项数字、客户数据分布或同等算力成本，结论需以完整实验表为准。
证据状态：仅依据摘要。
16. SALUTE: Benchmarking and Adapting LLMs for the Defense Domain
作者：Hyeongcheol Park、Sumin In、Suyeon Myeong、Hogun Park、Sangmin Kim、Moonhyun Lee、Daekyeong Park、Sangpil Kim
来源/分类：arXiv RSS；cs.CL。
中文简介：提出覆盖语料、对话、偏好和基准的 SALUTE 端到端国防领域适配框架，并通过持续预训练、监督微调和偏好对齐训练 Salute-LLM。作者称其在国防领域理解与推理上取得较强表现，同时保留有竞争力的通用能力；摘要没有公开数据规模、基线数值、敏感信息处理和跨机构泛化，不能把“强表现”当作安全或作战可用性结论。
证据状态：仅依据摘要。
17. E2A-Bench: Benchmarking Evidence-to-Action Reliability in Financial Chart Reasoning
作者：Xiaoya Wang、Yutong Xu、Junjie Wang
来源/分类：arXiv RSS；cs.CL。
中文简介：构建 969 个金融图表问题的 evidence-to-action 评测，把图表证据、推理、置信度和 BUY/SELL 行动串成可追踪链条。作者报告覆盖 323 个 HS300 成分股、三种输入模态和 20 个 VLM，发现最低 UCR 模型因只有 6.4% 的方向覆盖率而在 NDR 中接近末位，金融微调还让 BUY:SELL 比例放大 4.21-4.68 倍。NDR 衡量的是有证据覆盖约束的可靠性，不是已实现交易收益；完整基准的污染与真实下单外推仍需检查。
证据状态：仅依据摘要。
18. Empirical Evaluation of Task-Based Permission Scoping Architecture for AI Agents
作者：Halil Burak Noyan
来源/分类：arXiv RSS；cs.AI、cs.CR。
论文：arXiv 摘要页 · 直接 PDF · 代码仓库 · 模型检查点
中文简介：用 600 条合成企业任务评估角色上限、任务分类器和确定性禁用规则的交集授权架构。作者报告 RoBERTa-large 在精确率和风险差值上优于 Claude few-shot，并可消除约 84.4% 的测试攻击面，但合法任务阻断、合成数据、100 条测试集和未评估 runtime 是主要限制；详细实验和部署边界见“重点关注”。
证据状态：已核阅公开 PDF，详细分析见“重点关注”。