每日 AI 论文简报｜2026 年 9 月 18 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 篇已核阅公开摘要页和 PDF；其余论文在后文明确标注为仅依据摘要。文中把论文报告的结果、可复核的实验条件和编辑判断分开，不把作者自述直接等同于独立验证事实。
1. StableEval Arena：金融风险评测不能只看准确率
论文：arXiv 摘要页 · 直接 PDF · 代码 · 数据集
作者：Sean Wan、Dongping Liu、Luyao Zhang
来源/分类：arXiv 官方 RSS；cs.LG、cs.AI、cs.CE、econ.GN、q-fin.CP、q-fin.EC。
全文状态：已核阅公开 PDF（约 20 页）。
核心问题：稳定币风险预测同时涉及稀有事件、类别不平衡和 agent 的运行可靠性。论文问的是：如何在同一协议下比较 LLM agent 的稳定/观察/压力分类、脱锚风险概率、延迟、token 消耗、成本和结构化输出，而不是把多数“稳定”样本带来的准确率当成能力。
方法与基线：StableEval Arena 使用 USDT、USDC、DAI 的小时级价格、成交量和市场背景特征；每个案例给模型 30 天、720 小时的历史窗口，隐藏未来 7 天、168 小时，要求输出 stable/watch/stress、脱锚概率、最大偏离、方向、置信度和理由。作者设计了 120 个压力富集案例和 507 个自然分布案例，后者包含 441 stable、45 watch、21 stress；比较 6 个 LLM agent 配置与 always-stable、历史持续、阈值规则、简单逻辑回归等基线。统一后端为 qwen/qwen-2.5-72b-instruct，温度为 0，禁止网页浏览，并记录严格 JSON、延迟和 token 成本。
论文报告的主要结果：在 120 案例压力验证中，表现最好的 agent 是 Nanobot，校准后准确率 0.442、Macro-F1 0.351、平衡准确率 0.393，但 stress recall 只有 0.095；历史持续基线的 stress recall 为 0.333。507 案例自然分布中，always-stable 准确率可达 0.870，却没有任何 watch/stress 召回；简单逻辑回归的 Macro-F1 为 0.402、stress recall 为 0.381，反而高于所有 agent。21 个真实 stress 案例中，6 个 agent 配置合计只捕获 2 个，作者报告各 agent 均漏掉 19/21；校准能把最佳 agent 的 Macro-F1 从 0.301 提到 0.351、stress recall 从 0 提到 0.095，但 verifier 层把 Nanobot 总成本从每 120 案例约 0.345 美元推到 0.978 美元。
创新、局限与适用边界：价值在于把“金融风险识别”和“按协议输出 JSON”拆开，并同时报告 rare-stress recall、missed-depeg rate、校准和成本。局限是样本只覆盖三种稳定币与历史回放，风险标签依赖预先设定的偏离阈值；共同 Qwen 后端、适配器执行模式和 507 案例的稳定类不平衡都会影响结论。论文没有证明 agent 能在真实市场中减少损失，更不是稳定币或相关资产的交易建议。适合做金融 agent 评测、风险工程和安全门禁的人，建议优先读第 3 节任务构造、第 3.5 节指标、第 4 节两种分布结果和成本/校准分析。
2. SurgRAW：多智能体协作把手术视频理解拆成可验证任务
作者：Chang Han Low、Ziyue Wang、Tianyi Zhang、Zhu Zhuo、Zhitao Zeng、Evangelos B. Mazomenos、Yueming Jin
来源/分类：arXiv 官方 RSS；cs.AI、cs.RO。
全文状态：已核阅公开 PDF（约 10 页）。
核心问题：机器人辅助手术视频同时包含器械识别、动作识别、下一步动作、患者细节和手术结果；单一视觉语言模型容易受到领域差距、幻觉和任务之间依赖关系的影响。论文试图构造一个既能跨任务推理、又能提供临床语境的零样本工作流。
方法与基线：作者从 12 个公开的达芬奇前列腺切除/肺叶切除视频中抽取 2,277 帧和 14,256 个 QA，覆盖五项任务，并按患者划分监督训练的 8/4 个视频。SurgRAW 用中央 orchestrator 把任务拆成 Visual-Semantic 与 Cognitive-Inference 两条流，再由专门 agent 进行器械、动作、结果和患者信息推理；Visual-Semantic 流增加 panel discussion，Cognitive-Inference 流加入检索增强生成（RAG）和领域 CoT。基线包括 GPT-4o、Qwen3VL-8B、LLaVA-OV、MedGemma、LLaVA-Med、LLaVA-CoT、MDAgents、MedAgents，以及需要训练的 Surgical-VQA。
论文报告的主要结果：表 III 中，SurgRAW-Qwen3VL-8B 的总体准确率为 64.03±1.51%，SurgRAW-GPT-4o 为 61.73±2.42%，监督基线 Surgical-VQA 为 58.76±11.18%；论文摘要把相对监督基线的提升报告为 14.61%，按表格绝对差为 5.27 个百分点。Qwen 版本在动作预测、结果、患者细节上的准确率为 51.65%、50.82%、86.12%，在动作识别和器械识别上为 62.47%、67.33%。GPT-4o 版本的认知推理平均为 70.39%，视觉语义平均为 49.81%。消融中，CoT、RAG 和 panel discussion 各自提供互补改善；作者指出 CoT 是认知推理提升的主要来源。开源模型实验在单张 NVIDIA A6000 上运行，但多 agent 工作流的推理开销高于单次 VLM。
创新、局限与适用边界：创新是把临床知识检索、任务分解、协作讨论和结果验证放进同一个可测基准，而不是只报告某一项识别准确率。限制包括视频数量小、来源为公开手术视频、帧级评测没有完整利用时间连续性，问题由 GPT-4o 生成且尚未经过临床工作流验证；高分也不能推出可在手术室独立使用。适合医疗多模态、手术视频理解和临床 AI 评测读者，建议读第 III 节数据与工作流、第 IV-A 节基线和表 III/IV 的消融；任何部署都需要外部临床专家复核和安全验证。
3. WFM：把稠密文档语义和图结构放进同一个 agent 记忆层
作者：Junnan Dong、Linhao Luo、Senlei Zhang、Gong Chen、Taian Guo、Yifei Yu、Rong Tao、Tao Guo、Qian-Wen Zhang、Siyu An、Ruizhi Qiao、Xing Sun
来源/分类：arXiv 官方 RSS；cs.AI。
全文状态：已核阅公开 PDF（约 16 页）。
核心问题：传统图检索擅长显式关系，但把文档压成稀疏三元组会丢掉上下文；纯文本 RAG 又难以处理多跳关系、长期记忆和大规模传播。WFM（Wiki Foundation Model）问的是：能否把实体拓扑和段落语义作为同一张 agent-native Wiki Graph 来学习和检索。
方法与基线：WFM 把实体、关系和文档段落映射到共同传播空间，用 query-conditioned relation-aware attention 做消息传递，并在检索后通过最多 4 轮 self-reflection 继续寻找遗漏证据。系统还实现了 NCCL 原生的边界交换，避免分布式图训练中的 CPU 序列化和内存拷贝。多跳问答使用 HotpotQA、2WikiMultihopQA、MuSiQue，各 1,000 个留出问题；长期记忆使用 PersonaMem-1M 和 RHELM。基线包括 zero-shot LLM、Native RAG、RAPTOR、GraphRAG、HippoRAG、Youtu-GraphRAG、GFM-RAG，以及 A-mem、MemoryOS、LightMem；答案生成/评判分别使用 DeepSeek V4 Flash/Pro，统一 embedding 和检索深度。
论文报告的主要结果：多跳 QA 上，WFM 在 HotpotQA、2Wiki、MuSiQue 的 Open/Reject 准确率分别为 89.6/84.3、90.2/82.4、69.8/52.6；相对 Youtu-GraphRAG 的提升为 2.8/4.1、3.2/4.8、4.1/5.1 个百分点。Recall@20 在前三个数据集为 93.20、90.15、75.24，相对 GFM-RAG 高 11.82、17.52、26.67 个百分点。长期记忆总体准确率在 PersonaMem 为 58.49、RHELM 为 52.17，论文报告分别比最强非 WFM 基线高 8.39 和 5.37 个百分点。系统部分报告 bit-exact 的训练步耗时从 2.40 秒降到 0.23 秒，即 10.5 倍加速；这衡量的是论文所设定的训练集群与实现，不是通用硬件保证。
创新、局限与适用边界：WFM 的关键贡献是把“证据覆盖”和“文本语义”一起优化，再用 agent loop 主动补证据；在 MuSiQue 这类长链任务上，Reject 模式的提升也比 Open 模式更能说明检索质量。限制是结果依赖 DeepSeek 生成与 LLM judge、既定基准和 1M context 设置，闭源组件与分布式算力成本削弱独立复现；PDF 的实现说明还提示部分新完成的诊断单元需要实测复核。适合做 RAG、长期记忆和图学习系统的人，建议读第 3 节表示/传播、第 4.3–4.7 节基线、结果和消融，以及第 6 节结论。
4. DualViewEval：用执行轨迹压缩 agent 基准，但不牺牲行为差异
作者：Xinshuai Guo、Junjie Wu、Dolly Deng、Yinghui Li、Hai-Tao Zheng、Suncong Zheng、Maxm Pan
来源/分类：arXiv 官方 RSS；cs.CL、cs.AI。
全文状态：已核阅公开 PDF（约 16 页）。
核心问题：agent 基准一次运行可能要花大量 API 费和数小时；只看最终成功/失败又会把“同分但行为不同”的 agent 当成同一种。DualViewEval 研究能否利用工具调用过程，把大基准压缩为一个固定大小的 miniset，同时保留未见 agent 的总分和排名。
方法与基线：论文汇总 BFCL、τ²-Bench、Terminal-Bench 2、SWE-bench Verified、APEX-Agents 五个基准，共 1,983 个任务、262 个 agent 配置、132,387 个对齐的 agent-任务结果。作者从轨迹中抽取 6 个过程特征：agent steps、tool failed rate、tool-category entropy、validation-tool rate、required-write execution、read-write-validate closure；再把 outcome relation 与 process relation 融合，用 straight-through hard Top-K 选择恰好 K 个任务，用 Kernel Ridge 同时优化 score loss 和 ranking loss。基线为 Anchor Points、gp-IRT、TailoredBench、EssenceBench、SparseEval。
论文报告的主要结果：摘要报告在 APEX-Agents 和 BFCL 只用 20 个任务时，可达到 24–40 倍压缩，MAE 相对最强竞争者降低 14.5%–28.2%，在 SWE-bench Verified 上相对 EssenceBench 的 Kendall’s τ 提升最高 7.2%。完整实验中，DualViewEval 相对最直接的 SparseEval，跨五个基准的 MAE 降低 30.5%–45.1%，Kendall’s τ 平均提高 0.089–0.115；例如 BFCL 的 K=20 时，DualViewEval 的 MAE/τ 为 4.202/0.843，SparseEval 为 6.273/0.766；APEX-Agents K=20 时为 3.785/0.780，对照为 5.763/0.680。随着 K 增大，方法差距收窄，说明过程特征主要在预算紧张时有价值。
创新、局限与适用边界：它把“评测样本选择”直接和下游分数、排名目标耦合，并用硬 Top-K 保证部署时预算不会悄悄膨胀。局限是过程特征需要针对不同轨迹格式写 adapter，训练 agent 数量和公开 leaderboard 的覆盖会影响选择；压缩基准可以减少成本，却不能自动消除数据污染、任务代表性或 judge 偏差。适合评测平台和 agent 工程团队，建议读第 3.2–3.3 节过程指标/选择器、第 4.1–4.3 节数据和主结果，以及第 5 节关于训练数据比例和 K 的分析。
5. Safety-Flag：内容审核要同时看误报、漏报、校准和人工复核价值
论文：arXiv 摘要页 · 直接 PDF · 代码与复现实验 · 数据归档 DOI
作者：Yibo Hu
来源/分类：arXiv 官方 RSS；cs.CL、cs.CY、cs.LG。
全文状态：已核阅公开 PDF（约 13 页，含附录）。
核心问题：内容审核的 aggregate accuracy 可能掩盖两种相反失败：把大量良性内容误报，或放过有害内容。Safety-Flag 把七个公开安全基准统一成 balanced flag/do-not-flag 任务，研究模型的错误方向、概率校准和置信度能否有效决定哪些样本交给人工。
方法与基线：论文评估 6 个通用 LLM、4 个专用 guard 和 3 个参考模型，保留 item-level verdict 与 confidence；七个基准为 BeaverTails、XSTest、Ethics、WildGuard、Aegis、ToxiChat、ToxiGen。作者报告 false-alarm、miss、ECE、AURC 和 selective risk，并用温度缩放校准概率、用置信度排序做 abstention；WildGuard/Aegis 与训练数据可能重叠，因此相关单元被单独标记。
论文报告的主要结果：摘要给出的极端差异是：一个模型会把 85% 的 benign 内容误报，另一个模型会漏掉 54% 的 harmful 内容。通用模型普遍过度自信；单模型温度缩放让校准误差降低 2.8–6.0 倍，不改变标签或置信度排序。公开表格中，Qwen2.5-32B 的 pooled ECE 为 0.126、Llama-3.1-8B 为 0.368；在 50% 覆盖率下，Qwen2.5-32B 的 selective risk 为 0.044，而全量自动处理为 0.136，说明把低置信样本交给人类确实能降低剩余错误。专用 guard 的平均误报率和校准更好，但 Llama Guard 3 漏掉 34.5% 的有害样本，ShieldGemma 漏掉 50.2%，覆盖范围外的召回更差。
创新、局限与适用边界：论文把模型选择写成依赖 harmful prevalence 和 miss/false-alarm 成本的部署决策，而不是单一排行榜。限制是约每个基准 200 个平衡样本、英语、单轮二元判定，没有群体/方言条件分析；置信度是模型自身信号，且多 agent 审核不在范围内。论文结果仍是作者统一协议下的报告，不能替代产品域的红队与人工审计。适合内容安全、审核路由和模型校准读者，建议读第 3–5 节任务/结果、第 7 节成本函数和附录 C–E 的校准、abstention 与提示敏感性。
AI 论文
以下 13 篇未在“重点关注”中展开；均保留官方摘要页和 PDF 链接，证据状态为仅依据摘要。没有从摘要中推断未公开的基线、算力或失败案例。
6. EEG 与生成式 AI：从脑电到图像、文本和音频的综述
作者：Shreya Shukla、Jose Torres、Akshaj Murhekar、Christina Liu、Abhijit Mishra、Jacek Gwizdka、Shounak Roychowdhury
来源/分类：arXiv 官方 RSS；cs.AI、cs.HC、cs.LG。
简介：论文系统综述 2017–2025 年 EEG-to-image、EEG-to-text、EEG-to-audio 研究，整理 GAN、VAE、Transformer、扩散模型、特征编码、数据集和评测指标。作者报告图像方向常用 encoder-decoder，文本方向越来越多使用 Transformer，音频方向常把 EEG 映射到 mel-spectrogram 后再声码。价值在于指出跨受试者泛化、数据集异质性和标准化基准仍是瓶颈；综述结论受检索范围、纳入标准和各研究原始实验质量影响，不能把“可重建”直接解释为可靠的神经解码。证据状态：仅依据摘要。
7. Generative Physical AI：具身基础模型的五类路线
作者：Satyam Gaba、Krutiksinh Rana、Siva Sai、Vinay Chamola、Dusit Niyato
来源/分类：arXiv 官方 RSS；cs.RO、cs.AI、cs.CL、cs.CV、cs.LG。
简介：这篇综述把生成式物理 AI 分为 Robot Foundation Models、Vision-Language Action、Large Behavior Models、Diffusion Policy Models 和 World Foundation Models，并讨论自动驾驶、工业、医疗和人形机器人。作者报告这些路线可以形成“世界模型生成数据—VLA/DPM 学动作—RFMs 跨平台迁移—LBMs 提供运动先验”的互补关系。价值在于给具身系统建立共同词汇；但分类与“显著改进”的判断依赖被综述论文的选择，摘要没有给出统一基线、真实部署成功率或安全事故统计。证据状态：仅依据摘要。
8. Where Should Agents Live：边缘—云部署的能耗账本
作者：Carolina Fortuna、Vid Han\v{z}el、Tim Strnad、Bla\v{z} Bertalani\v{c}
来源/分类：arXiv 官方 RSS；cs.AI、cs.LG、cs.MA。
简介：论文把 eCAL 能耗指标扩展到多 agent 工作流，用 prefill/decode 两速率模型、7 层 OSI 传输和 GPU 基准评估边缘—云放置。摘要称其覆盖数百个 NVIDIA A100/H100 配置、16 个开放权重模型和 8 种编排拓扑，并报告 agent 间文本传输约占工作流能耗的 0.25%，额外推理和上下文处理通常才是分布式能耗的主项。价值是提醒部署者不要只算网络带宽；但摘要未说明完整工作负载分布、硬件利用率校准和不同模型质量—能耗前沿，结论不能直接外推到所有 agent。证据状态：仅依据摘要。
9. EvolveTrade：让 LLM 交易 agent 迭代自己的工具使用策略
作者：Sehee Kim、Yumin Choi、Minki Kang、Sung Ju Hwang
来源/分类：arXiv 官方 RSS；cs.AI、cs.CL。
简介：论文把交易 agent 的 system prompt 视为可更新的文本策略，每个更新周期由 Policy Agent 根据决策轨迹和实现的组合反馈，调整证据收集、工具调用、信号核验和风险管理流程，同时固定底层 LLM。作者报告在多个市场状态和两个 LLM backbone 上，EvolveTrade 在多数设置提高 Sharpe Ratio 和累计收益，并观察到更多代码分析与状态相关计算。价值在于把“程序性策略”作为适应对象；摘要没有交代完整回测窗口、交易成本、基准构造和样本外防过拟合协议，Sharpe/累计收益属于回测结果，不是因果证据或真实可交易收益，也不构成投资建议。证据状态：仅依据摘要。
10. From Pixels to Pairs：噪声 OCR 下的键值抽取基准
作者：Zahra Anvari、Vassilis Athitsos
来源/分类：arXiv 官方 RSS；cs.CL、cs.CV。
简介：论文在 FUNSD、CORD、SROIE 上比较 Gemma、Mistral、Qwen2.5、LLaMA 3、DeepSeek 等开源指令模型，分别使用金标准文本和 PaddleOCR、EasyOCR、Tesseract 的 OCR 输出，测量键值对抽取在噪声下的变化。作者报告高质量文本时模型接近布局感知监督系统，OCR 噪声会显著降低性能并缩小模型差距，常见失败包括键值错配、幻觉和数字损坏。价值是把清洁文本评测和真实输入条件分开；摘要未提供各模型的完整数值、污染控制或部署延迟。证据状态：仅依据摘要。
11. MCPAgentBench：用带干扰工具的沙盒评估 MCP 调用
作者：Zixiang Liu、Wenrui Liu、Elsie Dai、Wenhan Yu、Lei Yu、Tong Yang、Jinjun Han、Hong Gao
来源/分类：arXiv 官方 RSS；cs.AI。
简介：论文从真实 MCP 定义构造任务和模拟工具，在动态沙盒中向 agent 提供包含干扰项的候选工具列表，评估工具选择、复杂多步调用、任务完成率和执行效率。作者报告不同前沿 LLM 在复杂工具调用上存在明显差异。价值在于把“会不会调用 API”拆成选择、参数和执行过程；摘要没有给出任务规模、具体基线数值、工具污染检查或真实 MCP 服务故障下的表现。证据状态：仅依据摘要。
12. Safety-Flag 之外的教育证据：生成式 AI 对学生学习的影响并不均匀
作者：Lydia Manikonda、Mei Si、Sirajam Munira、Oshani Seneviratne、Kristin Bennett
来源/分类：arXiv 官方 RSS；cs.AI、cs.ET、cs.LG。
简介：论文调查本校 12 门 AI 相关课程的 118 名学生，按 GenAI 使用、依赖和感知收益识别用户群，并用多变量回归关联早期依赖、学业任务支持、可靠性信心、教师政策与学习体验。作者报告四类使用者、免费/付费版本和单/多工具使用者之间存在差异，早期依赖同时与感知收益和负面影响相关，且评价素养会改变这种关联。价值在于把工具使用、认知依赖和课程政策放到一起；这是小样本、单机构的观察性调查，不能从回归相关性推断 AI 造成了学习变化。证据状态：仅依据摘要。
13. Agentic AI Workflow Portfolios：组合多个工作流是否值得算力成本
作者：Mojtaba Abdolmaleki、Stefanus Jasin、Boyu Wang
来源/分类：arXiv 官方 RSS；cs.AI。
简介：论文把多个有不同推理、核验和计算成本的 workflow 视为一个 portfolio，并联合决定运行数量、分配和最终 selector；方法给出 odds-lift、线性规划松弛、随机舍入和基于 pricing oracle 的大类搜索。作者在 ABCD、Schema-Guided Dialogue、HotpotQA 上报告，相对最佳单一 workflow，held-out selector accuracy 分别提高 3.1、7.5、0.9 个百分点；dual-guided workflow generation 在 ABCD 和 HotpotQA 还提高 3.5 和 24.1 个百分点，但在 Schema-Guided Dialogue 没有额外收益。价值是明确把多样性收益与 compute cost 放在同一优化问题中；摘要未说明 selector 是否独立于测试数据、推理预算和额外错误候选如何计价。证据状态：仅依据摘要。
14. LM Fight Arena：用实时对战测试多模态模型的连续决策
作者：Yushuo Zheng、Tongrui Ye、Zicheng Zhang、Xiongkuo Min、Huiyu Duan、Guangtao Zhai
来源/分类：arXiv 官方 RSS；cs.AI。
简介：论文提出 LM Fight Arena，让 6 个开源/闭源大视觉语言模型在 Mortal Kombat II 中控制同一角色，以帧图像和状态信息选择连续动作，作为动态、对抗、可重复的多模态策略评测。作者把它定位为比静态问答更接近实时决策的 benchmark。价值是把反应、视觉状态理解和序列策略放进同一环境；摘要没有给出完整比赛协议、模型延迟、提示预算或成绩表，也不能把游戏胜率等同于现实世界规划能力。证据状态：仅依据摘要。
15. PBEBench：用可控字符串重写测试归纳推理
作者：Atharva Naik、Prakam、Yash Mathur、Darsh Agrawal、Manav Kapadnis、Yuwei An、Clayton Marr、Carolyn Rose、David Mortensen
来源/分类：arXiv 官方 RSS；cs.CL。
简介：PBEBench 把历史语言学中的前向重构抽象为 Programming by Examples：模型需要学习一串简单字符串重写程序，把输入列表转成输出列表。作者提供难度可控、自动生成且旨在避免污染的 PBEBench-Lite 与 PBEBench，并比较 test-time compute、长 CoT 等扩展。论文报告硬实例的 solve rate 低于 5%，即使使用较昂贵的推理扩展也与真实历史语言学需求有明显距离；摘要还以 gpt-oss-120b 研究缩放策略。价值在于测试可迁移的归纳能力；摘要没有充分说明生成规则与预训练污染审计的完整边界。证据状态：仅依据摘要。
16. Mem2Ego：把全局记忆和第一视角导航接起来
作者：Lingfeng Zhang、Yuecheng Liu、Zhanguang Zhang、Matin Aghaei、Yixin Xiao、Yaochen Hu、Mohammad Ali Alomrani、David Gamaliel Arcos Bravo、Hongjian Gu、Zhiyuan Li、Yangzheng Wu、Zhanpeng Zhang、Raika Karimi、Atia Hamidizadeh、Guowei Huang、Haoping Xu、Tongtong Cao、Weichao Qiu、Xingyue Quan、Jianye Hao、Yuzheng Zhuang、Yingxue Zhang
来源/分类：arXiv 官方 RSS；cs.RO、cs.AI。
简介：论文提出 Mem2Ego，让 VLM agent 根据任务动态从全局语义/拓扑记忆中取回相关线索，再与局部第一视角观察对齐，以减少只看局部导致的部分可观测问题。作者报告在 HSSD、HM3D 上超过既有 state of the art，并在真实机器人上展示效果。价值在于把地图记忆和当前视觉动作连接起来；摘要没有给出具体任务成功率、机器人平台、延迟、失败恢复或与各基线的公平算力比较。证据状态：仅依据摘要。
17. In-Context Robot Learning with VLM Agents：让机器人从示范和反馈中临时适应
作者：Dongzhou Cheng、Taoran Yi、Ye Fang、Xingwu Zhang、Fan Feng、Yixuan Li、Gengxiong Zhuang、Rongze Wang、Shuai Yang、Wei Song、Weizhi Xue、Minyan Wu、Jie Gui、Jiaqi Wang、Tong Wu
来源/分类：arXiv 官方 RSS；cs.CV、cs.RO。
简介：论文提出 GPT-Policy：context compiler 保留任务相关视觉转移，VLM 提出机器人—工具动作，受约束控制器核验并执行，再把结果反馈给模型；目标是在不梯度更新、不永久修改任务参数的情况下进行部署时 in-context learning。作者报告真实机器人实验中，人类视频示范能提高任务完成率，带动作参考的示范在接触敏感任务上进一步改善，并做了模型匹配与上下文消融。价值是把通用 VLM 的上下文学习接到可验证控制器；摘要未说明任务规模、成功率、控制延迟、视觉分布和失败恢复，不足以证明可靠部署。证据状态：仅依据摘要。
18. MUSE：面向情境化教育的艺术图像理解基准
作者：Luyao Zhu、Xun Wei Yee、Wei Li、Mun Thye Mak、Wee Siong Ng
来源/分类：arXiv 官方 RSS；cs.AI、cs.CL、cs.CV。
简介：MUSE 面向 AI 辅助语言学习，评测模型对艺术图像的视觉、语义、情感、文化和构图理解；基准把图像标注与问题生成解耦，覆盖 12 项任务，图像同时包含新加坡/东南亚多文化语境和西方艺术传统。作者报告开源和专有模型在不同能力维度上差异明显，情感解释和构图推理尤其存在不足，并分析了常见失败。价值是提醒教育多模态不能只用自然图像 benchmark；摘要未提供具体成绩、文化标注一致性、语言版本和课堂真实效用，不能把 benchmark 分数直接当成教学质量。证据状态：仅依据摘要。