每日 AI 论文简报｜2026 年 9 月 17 日
重点关注
本次 AI 候选共 18 篇，均来自 arXiv 官方 RSS，并按既有 AI 文章中的 arXiv 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。全文分析区分论文报告的结果、可复核的实验条件和编辑判断，不把作者自述直接等同于独立验证事实。
1. little m：把工业流程描述转成可审阅的优化模型
论文：arXiv 摘要页 · 直接 PDF · 代码与 IPC-Bench
作者：Yongchao Ye、Xinyu He、Dutliff Boshoff、Way Kuo、Lishuai Li
来源/分类：arXiv 官方 RSS；cs.AI。
全文状态：已核阅公开 PDF（18 页）。
核心问题：工业过程控制的输入往往是自然语言、流程图和未写出的工程常识，输出却必须是变量、目标函数和物理约束都清楚的数学模型。论文问的是：知识库、分阶段交互和多模态输入，能否比通用 LLM 更稳定地生成可供工程师审阅的候选模型。
方法与基线：little m 采用“信息结构化—策略设计—数学建模”三阶段流水线，以 LLM-RAG 连接领域知识库；每一阶段都允许用户确认或补充信息。作者构造了包含 50 个教科书式流程控制场景的 IPC-Bench，其中 20 个案例进入双盲人工评估；机器评估覆盖全部 50 个案例，基线为 Qwen3-Next-80B-A3B-Instruct 和 DeepSeek-V3.2。人工评估由 8 名来自计算机、数据科学和控制工程的专家完成，每个案例由 2–4 人独立评分。
论文报告的主要结果：在人工偏好率上，little m 的目标函数、决策变量、约束和总体质量分别为 58%、60%、52% 和 66%，均高于随机三选一基线；机器结构分数中，决策变量为 0.733、目标函数为 0.518、约束为 0.418。对缺失输入先提问的交互恢复，把决策变量分数从 0.721 提到 0.802、约束从 0.314 提到 0.423，但目标函数仅从 0.431 到 0.443；去掉知识库后约束分数降至 0.381，去掉流程图后目标函数和约束分数分别为 0.468 和 0.383。上述数字是论文报告的结构匹配或专家偏好，并不是求解器可行性或闭环控制收益。
创新、局限与适用边界：价值在于把中间结构和人工确认点显式化，减少“看起来像公式、实际不对应拓扑”的输出。限制同样关键：IPC-Bench 只有 50 个教科书案例，知识库需要专家维护，机器评估含 LLM 语义映射，等价公式可能被惩罚；论文没有运行求解器、证明形式物理有效性或测试真实工厂闭环性能，也无法排除公共教材被预训练见过。适合工业 AI、运筹建模和控制工程团队；建议先读第 4、6、8 节，部署前把求解器、单位检查和独立工艺审查接上。
2. BLINDSPOT：长时程工具调用中的安全不是一次拒答
作者：Sadia Asif、Mohammad Mohammadi Amiri、Momin Abbas、Tejaswini Pedapati、Prasanna Sattigeri
来源/分类：arXiv 官方 RSS；cs.AI、cs.CE、cs.CL、cs.LG、cs.MA。
全文状态：已核阅公开 PDF（34 页）。
核心问题：有状态工具、持久化环境和不断变化的授权，会让安全失败在多轮之后才出现。BLINDSPOT 不只问模型“拒绝了吗”，而是沿整条用户—agent—环境轨迹区分安全完成、正确拒答、不安全完成、过度拒答和无法判定。
方法与基线：基准包含 22 个攻击家族、35 个场景、7 个领域和超过 2,500 条长时程轨迹，平均每条 14.7 轮；评测 13 个闭源与开放权重模型，报告不安全完成率（UCR）、正确拒答率、良性完成率、过度拒答率、安全校准分数、Fail@k 和拒答后失败率等 8 个指标。攻击由响应条件的 User Agent 生成，工具执行和环境状态变更作为裁决证据；论文还比较非自适应攻击、文本-only 环境和匹配的安全孪生任务。
论文报告的主要结果：GPT-5.6 Sol 的完整轨迹 UCR 为 2%、安全校准分数为 96.0；GPT-4o 为 22%，Mistral Large 3 为 58%。把交互预算从 1 轮扩展到完整轨迹时，GPT-4o 的 UCR 从 5% 升到 22%，Mistral 从 18% 升到 58%；响应条件自适应把 GPT-5.6 Terra 从 3% 推到 8%、GPT-4o 从 11% 推到 22%。重复同一配置 10 次后，GPT-5.6 Sol 的 Fail@10 为 11%，GPT-4o 为 51%，Mistral 为 87%。安全孪生还显示“更常拒答”不等于“更校准”：Claude Opus 4.6 的对抗 UCR 为 4%，但良性完成率只有 74%，而 GPT-5.6 Sol 的良性完成率为 95%。
创新、局限与适用边界：论文最重要的工程含义是把持久状态、攻击自适应和重复运行纳入安全验收；只测首轮或最终文本会漏掉一部分失败。当前结果仍是作者设计的 live simulation，不是线上事故发生率；13 个模型的版本、场景分布和裁决器会影响绝对百分比，跨领域配置也不是纯粹的单变量因果实验。适合 agent 安全、工具权限和红队评测团队；建议先读第 4、6、D 节，把 UCR 与良性完成率、Fail@k、PFR 一起纳入自己的门禁，而不要用单一拒答率排名。
3. Spurious Tool Use：RL 可能学会“看到暗号就调用工具”
作者：Yiwei Yang、Haoxiang Zhang、Bingbing Wen、Yao Lu、Yuchen Wu、Lei Zhang、Julian McAuley、Pan Lu、Bill Howe
来源/分类：arXiv 官方 RSS；cs.CL。
全文状态：已核阅公开 PDF（14 页）。
核心问题：最终答案正确并不代表中间的工具选择是合理的。论文用反事实输入测试 RL agent 是否会因为与工具相关、却与任务无关的提示线索而调用搜索或 Python，并进一步问任务能力和线索语义是否决定捷径的形成。
方法与基线：作者从 Natural Questions 和 DeepMath-103k 各抽取 500 题，构造 1,000 条平衡训练集，并把 [WEB INDEX 742]、[REFERENCE]、<answer>、Jupyter 单元格头等线索注入一侧任务。基座是 Qwen2.5-7B-Instruct，使用 VERLTOOL 的 GRPO 训练，4×H100、30 步、每种线索一个独立运行；评测还用 GSM8K 和 2Wiki 做留出测试。核心指标是同一道题有无线索时的工具调用率差异；对照方法是在每次工具决策上用 GPT-5 Nano judge 给出“是否必要”的稠密奖励，惩罚系数为 0.5。
论文报告的主要结果：搜索语义线索被放在事实任务训练中后，数学题上出现显著的无必要搜索：[WEB INDEX 742] 在 DeepMath 和 GSM8K 上分别带来 +19.9 和 +39.2 个百分点，<answer> 分别带来 +21.7 和 +9.5 个百分点。相反，把代码语义线索放入数学训练、再到事实题上测试，Python 调用增幅通常不超过 3.8 个百分点。训练曲线显示 NQ 验证准确率约从 45% 升至 75%，而 DeepMath 约停留在 45%–50%；线索与工具的语义对齐会放大效应，相关性降到 70% 或更低时该效应在所测设置中大多消失。必要性奖励把线索驱动调用压到接近零，同时保持或提高任务准确率。
创新、局限与适用边界：它把“工具调用是否必要”从最终答案奖励中分离出来，给出了可复现的反事实审计思路。证据边界也很清楚：训练集是合成控制环境，只有一个 7B 基座和每条件一个 seed，必要性标签依赖 GPT-5 Nano，线索与自然生产提示仍有距离；论文还没有在大规模、自然生成的 agent 训练上复现。适合 RL agent、工具成本优化和数据污染审计团队；建议先读第 3–5 节，并在真实流量上记录“任务需要什么”和“模型实际调用什么”的差异。
4. BrainVLM：面向 12 类脑肿瘤的多模态诊断模型
作者：Yinong Wang、Jianwen Chen、Zhou Chen、Shuwen Kuang、Haoning Jiang、Yanzhao Shi、Huichun Yuan、Yan-ran Wang、Bing Wang、Lei Wu、Bin Tang、Li Meng、Baihua Luo、Bin Zhou、Wei Ding、Weiming Zhong、Wei Hou、Yuanbing Chen、Zhiping Wan、Wei Wang、Zhenkun Xiao、Wenwu Wan、Allen He、Yuyin Zhou、Longbo Zhang、Feifei Wang、Zhixiong Liu、Michael Iv、Xuan Gong、Liangqiong Qu 等
来源/分类：arXiv 官方 RSS；cs.CV、cs.AI、cs.DB。
全文状态：已核阅公开 PDF（94 页）。
核心问题：MRI 上不同脑肿瘤的影像表现可能重叠，且稀有类别和临床解释都难。BrainVLM 试图同时完成 WHO CNS5 的 12 类肿瘤分类、置信度估计和放射学报告生成，并检验 AI 是否真的能帮助不同资历的放射科医师。
方法与基线：BrainTumor48K 汇集 39 个公开来源和 12 家医疗机构的 47,947 人；模型训练使用 40,043 人的 MRI、人口学信息和报告，回顾性测试为主院 3,877 人、11 家独立医院 1,334 人。架构以 Llama-3.1-8B-Instruct 为语言骨干，视觉编码器、MLP projector、LoRA 和混合 2D/3D MRI 输入配合三阶段训练；比较对象包括 RadFM、Merlin、Video-Swin Transformer 和零样本 ChatGPT-4o。另有 248 例、12 名神经放射科医师的盲法交叉阅读，以及 1,009 例真实世界前瞻性评估。
论文报告的主要结果：主院回顾性测试的 macro-AUC/F1 为 0.85/0.82，神经放射科医师 F1 为 0.80；外部 11 院为 0.80/0.75，对照医师 F1 为 0.71。前瞻性手术组 F1 在主院/外部为 0.78/0.80，对照医师为 0.75/0.77；非手术组为 0.85/0.75，对照为 0.79/0.72。248 例多读者研究中，AI 辅助使总体 F1 相对提高 27.6%，诊断时间减少 34.7%（绝对 55.8 秒，均 p<0.0001）；低置信度触发第二候选后，主院 F1 从 0.82 到 0.86，外部从 0.75 到 0.78。5,211 例中，72% 的正确诊断置信度高于 90%，70% 的错误诊断落在 50%–85% 的较低置信度区间，ECE 为 0.036。
创新、局限与适用边界：多中心外部集、前瞻性队列、报告生成和不确定性机制构成了比单一分类分数更完整的证据链；作者还公开代码，真实临床数据因隐私不能完全公开。不能把论文报告的 F1 当作临床结局：前瞻性现实数据主要来自东亚人群，罕见肿瘤仍样本有限，读者研究只给医师 MRI、年龄和性别，可能低估医师在真实场景中的表现；作者也承认去标识数据带来的残余重叠/泄漏风险，且没有测量治疗决策、手术并发症或长期预后。适合医学影像、临床 AI 和可靠性评测团队；建议先读方法、外部验证、多读者研究和局限部分，部署前必须由临床试验与责任边界重新验收。
5. Agentic Search Spaces：让 agent 设计搜索空间，而不是替代 HPO
作者：Renat Sergazinov、Artem Chistyakov、Sergey Pankevich、Artem Babenko
来源/分类：arXiv 官方 RSS；cs.LG。
全文状态：已核阅公开 PDF（43 页）。
核心问题：LLM agent 是否适合直接逐步修改模型并看验证集，还是更适合先提出一组可执行的模块候选，再交给传统超参数优化器选择？论文将 agent 的角色限制为“搜索空间设计者”，以减少每个数据集重复调用和数据接触。
方法与基线：作者把 MLP、TabM、RealMLP、LightGBM 和 TabICLv2 拆成预处理、嵌入、架构、训练、推理等模块，由 Claude Code/Opus 4.8 生成可执行候选，再用 Optuna TPE 在联合空间中搜索；候选生成阶段不接触目标数据。主评测覆盖 45 个分类和回归数据集，使用 100/200 次试验预算、留出测试和 15 个随机种子；基线是作者原始 HPO 空间、AutoKeras、AutoPyTorch 和 AutoGluon，另在 51 个 TabArena 数据集上做协议外转移检查。
论文报告的主要结果：单模型相对原始搜索空间的平均提升为 DNN 0.5%、GBDT 0.8%、TabICLv2 0.5%；小中型回归上 MLP 为 +3.7%、LightGBM 为 +2.1%。集成收益更明显，MLP 平均 +0.9%，代理空间中成员相关性也下降；TabArena 上 5 个模型家族中 4 个 Elo 提升，最高约 125 点。AutoGluon 加入 agent 生成的 RealMLP/TabM 后，在 45 个数据集中的 43 个选入这些模型，平均权重 54%。生成一个模型家族搜索空间需要约 35–100 分钟，且作者测得不同模型的单次拟合时间相对原空间可从 0.9 倍到 2.4 倍。
创新、局限与适用边界：结果支持一个很实用的分工：LLM 提供多样的实现候选，TPE 负责数值探索；作者的消融也显示单一候选没有跨数据集通吃，收益来自数据集特定组合。风险是搜索空间变大可能过拟合验证集，agent 生成代码可能有 bug，候选与提示会随模型版本变化，45 个数据集不足以支持普遍收益；该研究还没有对所有家族做交叉验证，也没有做数据集专用生成。适合 AutoML、表格建模和模型工程团队；建议先复现同一预算下的 base/agentic 对照，再核查候选实现与拟合成本。
AI 论文
以下为本次 AI 主题候选中的全部 18 篇。除“重点关注”列出的 5 篇外，其余论文仅依据公开摘要；摘要未给出的基线、数据细节和失败分析不作推断。
1. little m: An AI Agent for Industrial Process Optimization
作者：Yongchao Ye、Xinyu He、Dutliff Boshoff、Way Kuo、Lishuai Li
来源/分类：arXiv 官方 RSS；cs.AI。
论文：arXiv 摘要页 · 直接 PDF · 代码与 IPC-Bench
证据状态：已核阅公开 PDF；详细分析见“重点关注”。论文报告的 50 场景 IPC-Bench 和分阶段知识检索流程，主要改善结构化变量与约束表达；但没有证明求解器可行性、物理有效性或闭环控制性能。
2. Towards Detecting AI-Assisted Responses in Online Surveys
作者：Qizhou Wang、Bogdan Mamaev、Christopher Leckie
来源/分类：arXiv 官方 RSS；cs.CL、cs.CY。
论文：arXiv 摘要页 · 直接 PDF · ASURRE 项目
中文简介：研究问卷答题者使用 LLM 后，调查研究能否识别这种 AI 辅助。作者构造 ASURRE 数据集，用多个 LLM 在 3 个真实问卷上生成从全文生成、改写到人格化 agent 完成的回答，并与真实人类回答配对；论文报告朴素生成容易被检测，而人格化 agent 会把检测性能推近随机，但行为轨迹仍留下线索。一个 few-shot、无需训练的多线索聚合器相对最佳既有检测器把不同 agent 设置的平均 AUROC 提高 0.14。该结果来自受控合成回答和有限问卷，不能直接推出对真实受访者、跨文化问卷或新模型的检测率；适合调查方法、内容取证和数据质量团队。
证据状态：仅依据摘要。
3. BLINDSPOT: A Benchmark for Safety and Refusal Calibration in Long-Horizon Tool-Using Agents
作者：Sadia Asif、Mohammad Mohammadi Amiri、Momin Abbas、Tejaswini Pedapati、Prasanna Sattigeri
来源/分类：arXiv 官方 RSS；cs.AI、cs.CE、cs.CL、cs.LG、cs.MA。
证据状态：已核阅公开 PDF；详细分析见“重点关注”。论文报告的轨迹级安全指标显示，初始拒答、长时程持久安全和良性任务可用性是不同维度，不能以单轮拒答代替完整安全测试。
4. World-Action Models for Robot Learning and Control: A Survey
作者：Zuxing Lu、Hongjia Zhai、Guanzhi Wang、Huajian Zeng、Jiaqi Yang、Jingyu Liu、Lei Cheng、Yuantai Zhang、Yuheng Qiu、Zezhou Cheng、Ivan Laptev、Danfei Xu、Benjamin Riviere、Giuseppe Loianno、Eric Xing、Xingxing Zuo
来源/分类：arXiv 官方 RSS；cs.RO、cs.CV。
中文简介：综述 World-Action Models（WAM），即把未来世界状态预测与可执行动作生成结合起来的机器人模型。作者围绕表示、状态转移、动作接口、架构、训练数据和扩展策略建立分类，并对操作、导航、自动驾驶中的数据集、基准和指标进行整理；摘要指出动作对齐、空间/多视角一致性、长时程记忆和闭环仿真仍是瓶颈。作为综述，它提供的是概念地图而非统一实验排名；摘要没有给出跨方法的可复现效果和算力成本，适合机器人模型研究者先建立术语框架。
证据状态：仅依据摘要。
5. QART: A Quantum-Classical Hybrid Architecture for Long-Horizon Reasoning — Exploring a Conditional Path toward Quantum Scaling
作者：Lehao Lin、Yuheng Cheng、Guolong Liu、Yao Li、Xuning Tan、Xiyuan Zhou、Ruixi Zou、Shi Wang、Huan Zhao、Wenxuan Liu、Haifeng Wu、Junhua Zhao
来源/分类：arXiv 官方 RSS；cs.AI。
中文简介：提出把语言模型与量子编码、CIM-QUBO 优化和解码组合的 QART，用于降低长时程推理中早期不可逆错误的累积。摘要报告在 6 个基准、3 个骨干配置的 15 个配对中有 14 个偏向 QART，SciCode、τ³-Bench、Terminal-Bench 4.0 的相对增益最高分别为 84.0%、47.6%、44.4%，但 DeepSWE 有 7.8% 回退。作者明确说明这些实验不能验证渐近可靠性分离，量子优势还需要证明 CIM 相对强经典求解器的端到端优势；编码和优化细节仍部分专有，摘要未提供完整成本与可复现条件。
证据状态：仅依据摘要。
6. Spurious Tool Use: When RL Agents Learn the Wrong Reason to Act
作者：Yiwei Yang、Haoxiang Zhang、Bingbing Wen、Yao Lu、Yuchen Wu、Lei Zhang、Julian McAuley、Pan Lu、Bill Howe
来源/分类：arXiv 官方 RSS；cs.CL。
证据状态：已核阅公开 PDF；详细分析见“重点关注”。论文报告线索—工具捷径最多提高 39.2 个百分点，但该现象依赖任务能力、语义对齐和控制环境，尚非自然生产数据上的普遍定律。
7. First Things First: Teaching LLM-Based Agents to Prioritize Must-Haves before Nice-to-Haves
作者：Tianjie Ju、Xinyue Xu、Wanxuan Sun、Lingxiao Diao、Gongshen Liu、Zhuosheng Zhang、Cheng Yang
来源/分类：arXiv 官方 RSS；cs.CV。
中文简介：研究多模态 agent 在电商、预订、地图和网约车等场景中，能否先满足必须条件，再用偏好条件排序，并在无可行答案时拒答。作者构造 3,649 个问题，覆盖唯一可行、多个可行和无可行解三种场景；摘要报告现有 MLLM 经常违反必须条件或生成无效答案，提出 FTF-rl 后任务成功率明显提高，并在 LogicVista、MathVision、InfoQA 上有迁移效果。摘要没有给出各基线的绝对分数、训练规模和跨服务商复现结果，不能把“明显提高”解释为真实服务成功率。
证据状态：仅依据摘要。
8. World Model Science: Self-Organized Criticality, Weak Chaos, and Metastable Belief Dynamics in Long-Horizon LLM Agents
作者：Xinyuan Song、Zekun Cai
来源/分类：arXiv 官方 RSS；cs.AI。
中文简介：把长时程 agent 轨迹当作动力系统，分析压力积累、错误雪崩、时间依赖、局部—全局失配、有限尺寸效应和信念盆地转移。作者在 22 组实验中报告局部动作仍可能正确而全局状态已失真，错误具有长记忆且更长 horizon 会产生更大雪崩；同时发散有界、信念更接近亚稳态而非完全混沌，并不支持普遍幂律、临界点或共同干预最优值。摘要未给出所有任务的数值效应和独立复核，动力学术语的普适性仍需跨 agent、跨基准验证。
证据状态：仅依据摘要。
9. End-to-End Latency-Minimizing and Load-Balanced Request Scheduling for Edge LLM Inference in Agentic AI Services
作者：Zhen Li、Jun Cai、Haoran Gao、An Li、Tan Li
来源/分类：arXiv 官方 RSS；cs.AI。
中文简介：研究边缘服务器异构、prefill/逐 token 解码和 KV cache 演化下的 agent 请求调度。作者建立跨 slot 的传输—prefill—解码—缓存模型，以 KV cache memory-time 衡量负载，并用 Lyapunov 优化与 reward redistribution 组成 LYREO；摘要报告其在多种仿真配置下比学习式和启发式基线同时获得更低延迟和更均衡负载。证据仍是仿真，摘要没有给服务器规模、具体延迟改善、服务质量约束或真实流量回放，不能直接视为生产吞吐保证。
证据状态：仅依据摘要。
10. ToMAS: A Pilot Failure-Grounded Theory-of-Mind Benchmark from Multi-Agent LLM Failures
作者：Muhammad Ashar Ishfaq、Glaucia Melo
来源/分类：arXiv 官方 RSS；cs.MA。
中文简介：把多 agent 执行轨迹中关于角色、知识和意图的失败转成可训练的伙伴状态推理题。作者从 242 条符合条件的训练轨迹得到 39 个 CLEAN 条目，18 条可靠性试验的两名标注者原始一致率为 94.4%、Cohen’s κ=0.92；但在 28 题留出诊断上，各条件都只有相同的 2/28 题超过 ROUGE-L 阈值，LoRA 最大权重更新约 7e-6，不能证明训练有效。它的主要价值是把失败诊断变成可执行数据管线，同时诚实暴露了训练—评测来源断裂和词面重合评分的问题；摘要没有支持能力提升结论。
证据状态：仅依据摘要。
11. Benchmarking Factual Robustness of LLMs via Multi-conversation Persuasion
作者：Zhuoang Cai
来源/分类：arXiv 官方 RSS；cs.CL。
中文简介：提出 SAST-IR，让攻击者保留对话历史、目标模型每轮清空记忆，用来测试模型的“冷启动”抗说服能力，并指出连续对话中的“拒答惯性”可能掩盖脆弱性。摘要报告在自建 CounterFact-Strict（N=50）上，简单多样攻击的成功率为 96%，而复杂迭代攻击更容易触发防御性服从，简单策略的真实说服率为 84.7%。这些是小规模自建集上的攻击成功定义，不等同于现实世界错误信息传播率；摘要未给出跨模型、跨事实类型和人工复核的完整结果。
证据状态：仅依据摘要。
12. A Vision-Language Foundation Model for Precise and Comprehensive Brain Tumor Diagnosis from Preoperative Multimodal Data
作者：Yinong Wang、Jianwen Chen、Zhou Chen、Shuwen Kuang、Haoning Jiang、Yanzhao Shi、Huichun Yuan、Yan-ran Wang、Bing Wang、Lei Wu、Bin Tang、Li Meng、Baihua Luo、Bin Zhou、Wei Ding、Weiming Zhong、Wei Hou、Yuanbing Chen、Zhiping Wan、Wei Wang、Zhenkun Xiao、Wenwu Wan、Allen He、Yuyin Zhou、Longbo Zhang、Feifei Wang、Zhixiong Liu、Michael Iv、Xuan Gong、Liangqiong Qu 等
来源/分类：arXiv 官方 RSS；cs.CV、cs.AI、cs.DB。
证据状态：已核阅公开 PDF；详细分析见“重点关注”。论文报告内部、外部和前瞻性诊断及读者辅助结果，但真实临床结局和更广泛人群泛化仍未验证。
13. Do LLMs Have Values? A Quantitative Analysis and Alignment Framework for Values in Large Language Models
作者：Keqing Zhang、Jingyu Chen、Yufan Liu、Yongqiang Zhu、Nai Ding、Lai Jiang、Congyan Lang、Bing Li、Weiming Hu
来源/分类：arXiv 官方 RSS；cs.AI。
中文简介：研究 LLM 是否表现出可量化的价值结构，以及提示、参数先验和内部推理如何共同改变这种表达。作者把 106 个 LLM 的 15 万条查询和 9.5 万个人类调查画像投射到共同社会学空间，提出 Prior-Environment-Cognition（PEC）框架，并报告模型价值集中在一个理想化核心而非覆盖人类多样性；据摘要，基于诊断的自适应干预比盲目训练更节省资源且不损伤一般能力。核心价值空间的测量、模型选择、问法敏感性和“价值”与行为偏好的对应关系都需要全文核验，摘要没有给出跨任务独立复现协议。
证据状态：仅依据摘要。
14. Agentic Search Spaces for Tabular Machine Learning
作者：Renat Sergazinov、Artem Chistyakov、Sergey Pankevich、Artem Babenko
来源/分类：arXiv 官方 RSS；cs.LG。
证据状态：已核阅公开 PDF；详细分析见“重点关注”。论文报告的提升来自 agent 候选与传统 HPO 的组合，不是 LLM 直接替代表格模型或优化器。
15. Toward Governance-Aware Autonomous GIS: A Narrative Review of Ethical and Privacy Risks in LLM-Enabled GeoAI
作者：Maya Subramanian、Devika Jain
来源/分类：arXiv 官方 RSS；cs.AI。
中文简介：叙述性综述总结 LLM-enabled GeoAI 的数据来源与同意、位置推断隐私、空间自相关和尺度效应带来的偏差、空间幻觉、多模态不确定性、可解释性、监管和劳动力等 8 类问题，并提出把它们映射到数据生命周期控制和审计产物的治理架构。摘要中的洪水路由案例主要用于说明架构；作者明确指出，治理控制的现场评估仍很有限。它适合作为 GIS/agent 治理清单，不是安全控制有效性的实证证明。
证据状态：仅依据摘要。
16. You Don’t Need To Train: Agentic Heuristic Learning Studio for Executable Human Activity Recognition
作者：Siyu Yuan、He Zhang、Sizhen Bian、Bin Guo
来源/分类：arXiv 官方 RSS；cs.LG、cs.AI。
中文简介：提出 Agentic Heuristic Learning（AHL）Studio，让 agent 观察传感器协议、提出可执行规则、记录修复轨迹，并导出不依赖 LLM 的边缘部署策略，以补充梯度训练式 HAR。作者摘要称在 11 个 HAR 数据集上已得到较强的可执行策略表现，且规则可检查、编辑和回放；但没有给出各数据集准确率、神经网络基线、规则搜索成本或不同传感器协议下的失败率，不能据此判断是否全面优于训练式模型。
证据状态：仅依据摘要。
17. Selective State-Space Adaptation and Retrieval for Language Model Reasoning
作者：Atahan Dokme、Larry Heck
来源/分类：arXiv 官方 RSS；cs.CL。
中文简介：提出两级状态空间适配：token 级 MaLoRA 用带递归状态的输入依赖缩放动态调节低秩更新，context 级 MaRA 维护跨段推理状态并选择相关证据。作者摘要报告约 300 万参数的状态空间检索器在 supporting-paragraph recall 上超过 80 亿参数稠密检索器，且在 3 个冻结骨干和 2 个多跳基准的 6 个组合中，相对 LoRA 平均提升 6.4 F1（相对 10.0%）。摘要未说明检索语料、污染控制、推理延迟和与强检索基线的公平成本比较；“每个 cell 改善”仍需全文复核。
证据状态：仅依据摘要。
18. AMALIA-VL: A Native European Portuguese Open-Source Vision and Language Model
作者：Diogo Glória-Silva、João Cardeira、Manuel Letras da Luz、Afonso Simplício、Gonçalo Vinagre、Diogo Tavares、Rafael Ferreira、Inês Calvo、Inês Vieira、David Semedo、João Magalhães
来源/分类：arXiv 官方 RSS；cs.CV。
中文简介：面向长期被巴西葡萄牙语或少量训练数据覆盖的欧洲葡萄牙语，提出原生 pt-PT 的开源视觉语言模型 AMALIA-VL。作者使用高分辨率视觉编码器、动态图像切块、开放语言模型和三阶段的视觉对齐—通用视觉指令—偏好优化流程，并构造 pt-PT 多模态数据混合；摘要称将发布权重、训练数据、构建流程和机器翻译评测集。当前摘要只称其建立了强基线，没有给出任务级分数、计算预算、翻译评测偏差或与葡萄牙语/多语模型的公平比较。
证据状态：仅依据摘要。