每日 AI 论文简报｜2026 年 9 月 30 日

重点关注

以下 6 篇重点论文已核阅 arXiv 摘要页和公开 PDF；数字与结论均为作者报告，未做独立复现。其他候选均明确标注“仅依据摘要”。阅读 AI benchmark 时，应区分基准分数提升与真实能力，并检查比较基线、公平比较、数据污染、可复现性与算力成本。

1. PowerBench：工业智能体真正难在跨设备证据链

• 论文：PowerBench: A Benchmark for Agentic Retrieval and Reasoning in Power Systems（arXiv:2609.34492）
• 作者：Xijing Wang、Yinsheng Yao、Jinru Ding、Yidong Jiang、Ziwen Xu、Yiwen Jiang、Jie Xu、Dawei Cheng
• 来源与链接：arXiv · cs.AI · 摘要页 · PDF · 代码、数据与任务
• 证据状态：已核阅公开 PDF；结果是论文报告，未做独立复现。

核心问题。 工业智能体不只要回答文本问题，还要从遥测、设备定义、事件记录和运维文档中找到互相依赖的证据，再完成跨设备的计算与归纳。真实电力运行数据受保密和安全限制，普通多跳问答基准又没有这种异构、相连的结构。

方法与基线。 PowerBench 用 LLM 辅助生成框架构造一个内部一致的合成电力系统：761 个设备、100 类设备、两年 1,335 万条小时级遥测记录和 24,939 份运维文档，设置 300 道题，分成单设备遥测规则（TRR）、带报告上下文的规则复核（CRR）和多设备比较（CoRR）三类。所有模型使用相同的五种只读工具、50 次工具调用和 300 秒检索/推理预算，评测 GPT-5.6-Sol、DeepSeek-V4-Pro、Qwen3.8-Max、Kimi-K3、GLM-5.3、MiniMax-M3、Llama-4-Maverick 等 9 个模型；指标同时记录严格的联合准确率（JA）、字段准确率（FA）、证据发现/读取率（RER/AER）、工具可靠性和调用成本。

论文报告的主要结果。 最好的 GPT-5.6-Sol 总体 Macro-JA 为 74.2%（95% CI [69.5%, 78.7%]），TRR、CRR、CoRR 的 JA 分别为 85.0%、88.9% 和 48.7%，CoRR 的 FA 虽为 74.0%，完整答案正确率却只有 48.7%。这把“找到了证据”和“能完成组合推理”分开了：Kimi-K3 在 CoRR 的证据发现率达到 68.86%、工具可靠性 97.27%，JA 仍只有 2.7%。对 GPT-5.6-Sol 而言，目标设备从 3 个增至 5 个时，JA 从 60.0% 降至 40.0%，平均输入量从约 82.17 万增至 129.66 万 token，平均延迟从 188 秒升到 286 秒，触及 300 秒预算的比例从 4% 增至 48%。

创新、局限与适用边界。 贡献是将数据连通性、可验证答案、工具轨迹和阶段级失败归因放在同一协议里，而不是只报一个最终准确率。数据是 LLM 辅助生成的工程上合理的合成世界，不是任何具体电力公司的运行记录；三类任务也没有覆盖拓扑推理或保护协调。所有模型通过供应商 API、共享串行工具循环和固定预算运行，工具错误可能混合了模型规划错误、适配器和序列化问题，因此分数不是现实公用事业部署准确率。

适合谁读、怎么读。 适合工业 RAG、工具调用 agent、评测设计和可靠部署研究者。建议先读 §3 的数据生成与任务结构，再读 §4.1–§4.3 的指标、主表和失败阶段分析，最后读附录 E/F 的设备数量压力与有效性边界。

2. IndustryLLM：领域适配的价值在“未知不等于满足”

• 论文：IndustryLLM: Failure-Driven LLM Training for Industrial Procurement（arXiv:2609.31871）
• 作者：Liang Ding（Project Lead）、Zhiang Xu、Yuyang Sheng、Bin Chen、Songlin Bai、Run Zhu、Dingjun Wu、Hui Xu、Yandi Wang、Fulin Shi、Leilei Gan、Linlin Yu、Qihuang Zhong、Keqin Peng、Yalong Li、Chengfu Huo
• 来源与链接：arXiv · cs.AI、cs.CL · 摘要页 · PDF · 模型权重与配置
• 证据状态：已核阅公开 PDF；结果是技术报告与生产系统作者报告，未做独立复现。

核心问题。 工业采购中的“相关产品”不等于“满足工程约束的产品”：买方可能使用方言、错码和隐含工况，而供应记录缺少温度、介质兼容性或证书。论文把语言模型负责的需求结构化，与必须依赖当前交易证据的产品合规验证拆开。

方法与基线。 IndustryLLM 从 Qwen3.5-35B-A3B-Base 出发，保持 35B 总参数、约 3B/token 激活的 MoE 架构和冻结视觉编码器，采用 Base→CPT→SFT。约 100B token 的 CPT 语料包含约 5B 标准/技术档案、10B 去标识交易与询价记录、25B 工业网页文本和 60B 通用 replay；失败驱动的重建包括 10 种文体×8 种写作风格改写、置信度路由的最小事实编辑和针对弱点的 QA 合成。下游用三值证据门：满足（Satisfied）、未知（Unknown）、违反（Violated），缺失、过期或冲突的证据只能得到 Unknown。作者用同一后续 SFT 比较 Base+SFT 与 CPT+SFT，并用 IndustryBench 做开发诊断，再以用户级 50:50 的在线 A/B 测试观察捆绑系统效果。

论文报告的主要结果。 在 4,747 条结构化生成和 1,872 条选择题约束推理上，No-Think 模式的 CPT+SFT 相对 Base+SFT 将 exact match 从 11.86% 提到 14.83%（+2.97 个百分点，配对 bootstrap 95% CI [2.11, 3.86]），semantic match 从 31.47% 提到 36.65%，选择题从 79.86% 提到 82.91%。IndustryBench 的 Think 开发诊断 raw 分数为 2.120/3，安全违规调整后为 2.030/3；作者也报告生产 A/B 中约每天每组 10 万名用户，商品点击、询价和满足硬约束的询价分别提升 +2.4%、+4.32% 和 +8.3%，一个捆绑系统案例的 GMV +4.25%，端到端延迟从 6–7 秒降至 1.5 秒。

创新、局限与适用边界。 亮点不是把“懂标准”冒充“验过商品”，而是把参数化需求理解与非参数的当前证据核验做成系统契约。需要特别注意：IndustryBench 曾指导中间训练迭代，外部模型比较不是同一 harness；2B–4B 的数据重建消融没有完整匹配训练 token、单随机种子且不能对最终 35B 流程作严格因果分解。在线结果评估的是模型、提示、路由、推理优化组成的生产栈，绝非孤立 checkpoint；基线绝对量和完整训练数据谱系也未公开。论文当前范围主要是中国 B2B 工业采购，不能外推到其他监管辖区或物理合规。

适合谁读、怎么读。 适合领域模型、企业 RAG、工业知识治理和高后果 AI 系统设计者。建议先读 §2 的需求/证据边界，再读 §4–§6 的 CPT/SFT 设计，重点看 §8.2–§8.3 的离线与 A/B 证据，最后读 §10 的限制。

3. AgentBoundary：把过度拒答与不安全执行放回同一条工作流

• 论文：AgentBoundary: Counterfactual Evaluation of Safety in Tool-Using LLM Agents（arXiv:2609.33658）
• 作者：Tianzhuo Yang、Zirui Mi、Yantao Huang、Guoxi Zhang、Jiawei Chen、Yaodong Yang、Jingwei Yi
• 来源与链接：arXiv · cs.AI · 摘要页 · PDF
• 证据状态：已核阅公开 PDF；结果是论文报告，未做独立复现。

核心问题。 对话安全常把“回答还是拒绝”当成主要决策，但工具 agent 可能在执行中才发现资源、权限、目的地和后置状态。一个模型拒绝危险外观的合法任务，和它执行看似普通但越权的任务，不能用同一个“拒绝率”区分。

方法与基线。 AgentBoundary 从同一个可执行工作流生成四个反事实兄弟：低风险且授权的 Easy-Benign、高风险外观但授权的 Hard-Benign、低风险外观但越权的 Covert-Malicious，以及明显有害的 Harmful-Source；共享主题、工具接口、状态夹具和动作脚手架，只改变表面风险与行动许可。人类验证覆盖 2,787 个任务族，整体套件约 4,000 个任务，评估 17 个模型/ harness 配置，判断完整轨迹和最终状态。作者还训练一个只在下一次状态改变动作提交前改写 Thought 的轻量 runtime calibrator，与裸 agent、未训练插件和工具 gating 基线配对比较。

论文报告的主要结果。 GPT-5.5 在 routine-looking 未授权任务上的安全率为 99.5%，但在 risky-looking 已授权任务上的 utility 只有 28.7%，说明“更会拒绝”并没有解决过度拒答。十个配置加入 calibrator 后，Hard-Benign utility 平均提升 18.2 个百分点，Covert-Malicious safety 平均提升 5.4 个百分点；GPT-5.5 的配对结果为 HB utility 57.8%（+29.1）和 CM safety 99.5%（±0）。作者报告十个配置的授权任务效用都提升，八个配置的不安全阻断维持或提升。

创新、局限与适用边界。 贡献是把 safety 定义为既要完成授权工作、又要阻止越权状态转移，并用同一执行骨架控制任务能力混淆。生成器和验证器仍在合成沙箱里工作，工具权限、状态语义和人类评分的真实性决定外推；四类任务覆盖的是论文选定风险分类，不等于所有企业权限系统。校准模块需要额外训练数据和一层运行时延，且不能替代真正的工具权限控制与审计。

适合谁读、怎么读。 适合 agent 安全、工具权限、红队评测和 runtime guard 研究者。建议先读 §1 的行动边界，§4 的四路生成与人审协议，§4.3 的模型矩阵，再读 §5 的配对校准、消融和失败案例。

4. TACIT：从 LLM 内部状态读取轨迹级安全信号

• 论文：Agent Safety From Within: Detecting Harmful Trajectories from LLM Internal States（arXiv:2609.33039）
• 作者：Difan Jiao、Ashton Anderson
• 来源与链接：arXiv · cs.AI · 摘要页 · PDF
• 证据状态：已核阅公开 PDF；结果是论文报告，未做独立复现。

核心问题。 传统 guard 多通过生成“安全/不安全”文本来判断完整 agent 轨迹，对工具 schema 的细微变化尤其脆弱。论文区分直接表达的 harmful content 与依赖权限/交互上下文的 unsafe tool use，并问这两类风险是否已经线性编码在冻结 backbone 的隐藏状态里。

方法与基线。 TACIT 不解码 token，而是把 system prompt、工具 schema、消息角色和完整轨迹做一次 forward，在线性层选出的中间 hidden state 上训练 L2 logistic probe；再用多 probe ensemble 和 multi-layer readout 做轻量增强。实验覆盖 R-Judge、TraceSafe、ATBench、ASSEBench、OpenAgentSafety 和 AgentDojo 六个轨迹安全基准，用同骨干的 Qwen3Guard-4B、LlamaGuard3-8B、AgentDoG-4B 及完整安全微调作比较，并做 leave-one-benchmark-out 泛化。

论文报告的主要结果。 在六基准平均 macro-F1 上，Qwen3-4B 的普通 Probe/Ensemble/Multi-layer 分别为 80.7/85.4/86.2，超过 AgentDoG-4B 的 62.3；Llama-3.1-8B 的 Multi-layer 为 85.4。跨基准留一测试时，Qwen3-4B Multi-layer 平均 65.7，高于 AgentDoG 的 61.1；在同训练集、骨干和测试划分下，冻结 readout 接近完整 SFT，并叠加在微调模型上达到 86.5/87.0。单 probe 只有 5,121 或 8,193 个可训练参数，训练耗时 0.36 小时而 full SFT 为 2.11 小时；Qwen3-4B 的 TACIT 判定约 40 ms，AgentDoG 53 ms、Qwen3Guard 215 ms。

创新、局限与适用边界。 贡献是用“模型已经编码了什么”替代“模型最后愿意生成什么”作为检测接口，并发现内容风险与工具风险方向近似正交。六个基准的标签协议仍不完全同质，内部可读不等于可解释或抗攻击；轨迹格式、工具注入和长上下文变化可能改变表示。模型只在开源 Qwen/Llama 骨干上测试，部署时还需验证早停、内存、隐私和对抗操纵的代价。

适合谁读、怎么读。 适合 mechanistic safety、轻量 guard、agent 监控与推理成本优化研究者。建议读 §3 的两类风险控制实验、§4.1–§4.3 的 probe 与六基准结果、Figure 4 的成本比较以及 §5.1–§5.2 的层位置和风险方向分析。

5. VoxPolyMem：多方语音记忆的关键不只是“记住内容”

• 论文：Beyond Dyadic Memory: Interaction-Aware Multimodal Memory with Adaptive Agentic Retrieval for Multi-Party Spoken Conversations（arXiv:2609.32522）
• 作者：Wenxu Jia、Xize Cheng、Zihan Zhang、Dongjie Fu、Linjun Li、Wenshi Chen、Yangyang Wu、Tao Jin
• 来源与链接：arXiv · cs.AI、cs.IR、cs.SD、eess.AS · 摘要页 · PDF · 项目、代码与数据
• 证据状态：已核阅公开 PDF；结果是论文报告，未做独立复现。

核心问题。 多人语音对话的长期记忆既要知道说了什么，也要知道谁说、对谁说、关系如何跨会话演化。只面向双人文本或图文的 memory benchmark 无法检验说话人身份、交互归属和个性化回答是否同时正确。

方法与基线。 VoxPolyMem 在线增量识别说话人，把记忆分成 interaction memory、fact memory 和 participant profile；检索 agent 根据累积证据重写查询并选择记忆层/工具，EG-GRPO 按每轮新获得且最终保留的证据分配 credit。VoxPolyBench 有 18 个场景、176 次会话、18.9 小时合成语音和 1,527 个 QA，覆盖记忆演化、个性化回答、检索推理和说话人/受话人归属；实验与十个文本/多模态基线统一使用 Whisper 转录、GPT-4.1-mini 回答模型和每题最多 15 条检索记录，另在 Mem-Gallery 与 H2HMem-Multi 上测试。

论文报告的主要结果。 VoxPolyBench 总分 85.0，比最强外部基线高 23.6 个百分点；个性化回答与交互归属分别为 76.1 和 87.5。Mem-Gallery 和 H2HMem-Multi 分别为 89.6（高 11.8）和 74.4（高 8.4）；去掉 RL 的版本在三基准加权平均仍有 84.4，说明记忆结构本身贡献很大。去掉层级记忆后 H2HMem-Multi 从 72.1 降到 63.6，去掉交互关系后 VoxPolyBench 从 84.0 降到 78.6；EG-GRPO 将 Mem-Gallery 的 recall 从 91.5 提到 93.6，平均检索轮数降至 1.3 左右。

创新、局限与适用边界。 论文把“交互图”和“事实记忆”放在同一检索策略中，说明关系结构本身是证据。VoxPolyBench 的对话和语音是生成的，Whisper WER 为 2.14%，不能代表真实口音、噪声和重叠说话；公共基准中基线获得了真实 speaker label，而 VoxPolyMem/消融要自己识别，比较需谨慎。GPT-4.1 参与数据构造、记忆抽取和评判，且 voiceprint、身份链接和 profile 有隐私与监控风险。

适合谁读、怎么读。 适合长期记忆、语音 agent、多用户个性化与 multimodal RAG 研究者。建议读 §3 的 benchmark 构造，§4.1–§4.3 的身份/记忆/检索机制，§5.2–§5.4 的消融和 reward 对比，再读伦理与真实语音限制。

6. SLEUTHBENCH：LLM 会查数据质量，不等于会发现变量贡献

• 论文：SleuthBench: Benchmarking Statistical LLM Evaluation Using Tabular Hidden Signals（arXiv:2609.34228）
• 作者：Jingyun Jia、Antoine Remond-Tiedrez、Aaron Alvarez、Joshua Shunk、Rich Caruana、Ben Lengerich
• 来源与链接：arXiv · cs.LG · 摘要页 · PDF
• 证据状态：已核阅公开 PDF；结果是论文报告，未做独立复现。

核心问题。 现实表格的统计 ground truth 难标注，公开数据又可能被模型记忆；论文希望检验 agent 是否真的能从行级数据中发现受控的非线性、交互和数据质量现象。

方法与基线。 SLEUTHBENCH 在 UCI、scikit-learn 和 Kaggle 的六个 1,000 行表格上注入已知的数据质量问题或 feature effect，使用 14 个 injector、17 个模板，先由独立 validator 检查现象可见且无歧义，再确定参考答案；70 个 dataset-template 组合各有 data-science 和 business 两种问法。六个 LLM 只能使用 Python 工具，随后在同一题目上增加 Empirical Layer，提供统计摘要、相关性、缺失/异常、EBM 特征效应和交互效应。

论文报告的主要结果。 Python-only 的总体准确率为 64.6%（543/840）：数据质量题 83.8%，feature-contribution 题仅 41.9%。增加 Empirical Layer 后总准确率升到 76.7%（644/840），feature-contribution 升到 68.0%，数据质量几乎不变（83.8%→84.0%）；六个模型均有提升，业务措辞的总体增益 14.8 个百分点，高于 data-science 措辞的 9.3 个百分点。作者的解释是，结构化证据缩小了“该选哪一个变量、用哪一种统计过程”的搜索空间，而不是简单增加上下文长度。

创新、局限与适用边界。 注入现象保留真实表格的背景结构，同时让答案可程序化验证并降低原表记忆带来的捷径。它仍是受控注入而非自然数据发现；six-table、1,680 次响应、LLM judge 参与部分评分和 Python 工具限制了外推。Empirical Layer 的 EBM 计算也把一部分统计选择预先交给工具，因此不能把 68.0% 直接等同于自主数据科学能力。

适合谁读、怎么读。 适合 data-analysis agent、统计发现、benchmark 防污染和工具接口设计研究者。建议读 §3 的注入/验证流程，§4 的 Python-only 失败分析，§5 的 Empirical Layer，及附录 F 的 agent trajectory 案例。

AI 论文

1. PowerBench: A Benchmark for Agentic Retrieval and Reasoning in Power Systems（arXiv:2609.34492）

• 作者：Xijing Wang、Yinsheng Yao、Jinru Ding、Yidong Jiang、Ziwen Xu、Yiwen Jiang、Jie Xu、Dawei Cheng
• 来源/分类：arXiv · cs.AI
• 链接：摘要页 · PDF · 代码、数据与任务
• 简介：重点论文已在上文详述。作者把工业检索、工具调用、跨设备推理和最终结构化答案放到同一 benchmark；74.2% 是作者在合成电力系统、固定工具与预算下报告的 Macro-JA，不是任何真实电网部署准确率。

2. LiveOption: Evaluating LLM Agents in Structured Option Trading with Nonlinear Payoffs（arXiv:2609.33470；跨主题）

• 作者：Haochen Luo、Yifan Li、Binh Minh An、Xiaolong Luo、Zhengzhao Lai、Yuan Zhang、Chen Liu
• 来源/分类：arXiv · cs.AI、q-fin.CP
• 链接：摘要页 · PDF
• 简介：跨主题；金融篇重点展开。 论文将 LLM agent 的交易动作从股票买卖扩展到有非线性收益、多腿结构和保证金约束的期权，提供 overlay、财报事件和 0DTE 三套环境，并按动作合法性、决策质量、风险和结果分层评分。作者在摘要中报告现有 agent 多数场景没有竞争力；这是 2025 年数据上的回测/模拟评测，不是实时可交易结果，也不是投资建议。

3. IndustryLLM: Failure-Driven LLM Training for Industrial Procurement（arXiv:2609.31871）

• 作者：Liang Ding（Project Lead）、Zhiang Xu、Yuyang Sheng、Bin Chen、Songlin Bai、Run Zhu、Dingjun Wu、Hui Xu、Yandi Wang、Fulin Shi、Leilei Gan、Linlin Yu、Qihuang Zhong、Keqin Peng、Yalong Li、Chengfu Huo
• 来源/分类：arXiv · cs.AI、cs.CL
• 链接：摘要页 · PDF · 模型权重与配置
• 简介：重点论文已在上文详述。价值在于把领域训练、在线系统效果和证据门分层；+4.25% GMV、+8.3% 满足询价和 6–7 秒降至 1.5 秒属于作者对捆绑生产系统的报告，不能归因给单独模型权重。

4. Deep Reinforcement Learning for Equity Trading: Benchmarking Actor-Critic Methods with Forward Retraining（arXiv:2609.31870；跨主题）

• 作者：Bicheng Wang、Xinyi Zhang
• 来源/分类：arXiv · cs.LG、cs.AI、cs.CE、cs.MA
• 链接：摘要页 · PDF
• 简介：仅依据摘要；跨主题。 论文在 20 只大盘股的 2000–2020 日频数据上比较 A2C、PPO、DDPG、TD3、SAC 与监督式价格预测，训练期为 2000–2018，2019–2020 做回测，并比较一次训练与滚动 forward retraining。作者报告 DDPG 一次训练年化收益 55.5%、Sharpe 1.38 但 beta 1.24，forward retraining 后收益降至 29.8%；TD3/SAC 的 Sharpe 约 1.37/1.33，预测基线最大回撤 9.6%。这些是历史样本内/样本外回测指标，摘要未说明交易成本、容量、统计检验和真实成交，不能当成可实现收益。

5. KiT: A Foundation Model for Financial Time-Series Forecasting using DiffusionTransformers（arXiv:2609.34507；跨主题）

• 作者：Boyu Zhang、Haorui Li
• 来源/分类：arXiv · cs.LG、cs.CV
• 链接：摘要页 · PDF · 代码
• 简介：仅依据摘要；跨主题。 KiT 用 flow matching 的 Diffusion Transformer 生成未来 OHLCV 轨迹集合，预训练数据覆盖多市场、多时间尺度的数十亿根 K 线，在三市场、七种分辨率上报告平均收益 RankIC 0.057、波动率 RankIC 0.66，并称优于任务专用和通用时序基线。摘要没有给出完整样本切分、交易成本、模型规模/训练算力与跨市场独立复现，因此 RankIC 不等于扣成本后的策略收益。

6. Alignment-Guided Flow Transformer for Efficient Vision-Language-Action Policy Learning（arXiv:2609.34467）

• 作者：Shengchao Hu、Peng Wang、Qiyang Zhou、Guodong Zheng、Yuqi Huang、Li Shen、Ya Zhang、Dacheng Tao
• 来源/分类：arXiv · cs.LG
• 链接：摘要页 · PDF
• 简介：仅依据摘要。 AGFT 针对视觉、语言、动作三模态表征错位，引入三模态对齐损失，并用 flow matching 减少扩散式策略的推理步数；作者报告在机器人操作 benchmark 上较 SOTA 有更高成功率和更低延迟，并提供消融与理论联系。摘要没有给出具体任务、基线、成功率、采样步数、硬件或公平的训练预算，暂不能把“更低延迟”解释成通用部署优势。

7. SleuthBench: Benchmarking Statistical LLM Evaluation Using Tabular Hidden Signals（arXiv:2609.34228）

• 作者：Jingyun Jia、Antoine Remond-Tiedrez、Aaron Alvarez、Joshua Shunk、Rich Caruana、Ben Lengerich
• 来源/分类：arXiv · cs.LG
• 链接：摘要页 · PDF
• 简介：重点论文已在上文详述。它测的是在受控统计现象、公开表格和 Python/Empirical Layer 工具条件下能否找回正确证据；41.9%→68.0% 是作者报告的 feature-contribution accuracy，不是通用数据分析自动化率。

8. AgentBoundary: Counterfactual Evaluation of Safety in Tool-Using LLM Agents（arXiv:2609.33658）

• 作者：Tianzhuo Yang、Zirui Mi、Yantao Huang、Guoxi Zhang、Jiawei Chen、Yaodong Yang、Jingwei Yi
• 来源/分类：arXiv · cs.AI
• 链接：摘要页 · PDF
• 简介：重点论文已在上文详述。论文把表面风险与实际许可独立扰动，避免把过度拒答、能力不足和不安全执行混为一谈；其 28.7%/99.5% 是特定 harness 的 Hard-Benign utility/Covert-Malicious safety，不是 agent 安全的单一总分。

9. PhysAlign: A Benchmark for Evidence-Grounded Role Alignment in Multimodal Physics Reasoning（arXiv:2609.33319）

• 作者：Kecheng Liang、Haoyang Liu、Zexin Chen、Zirong Liu、Weixing Chen、Qiufeng Wang、Yang Liu、Liang Lin
• 来源/分类：arXiv · cs.AI
• 链接：摘要页 · PDF
• 简介：仅依据摘要。 PhysAlign 研究多模态模型是否把物理图中的数值、符号和关系分配给正确实体，而不是只识别局部视觉内容；其 3,341 个经人工验证的 probes 覆盖 986 道物理题，并用 CAcc、GAcc、JAcc 等指标拆开识别、角色对应和最终解题。作者报告即使识别正确，角色对应错误率在 GPT-6-Astra 为 13.8%、InternVL3.5-8B 约 50.6%。价值在于发现 grounding 瓶颈；摘要没有展开题目来源、模型提示、图表污染和跨教材泛化。

10. Agent Safety From Within: Detecting Harmful Trajectories from LLM Internal States（arXiv:2609.33039）

• 作者：Difan Jiao、Ashton Anderson
• 来源/分类：arXiv · cs.AI
• 链接：摘要页 · PDF
• 简介：重点论文已在上文详述。作者报告冻结内部 readout 的平均 macro-F1 从最强 open guard 的 62.3 提到 80.7，细化 readout 到 86.2；该证据依赖六个轨迹安全基准和已标注 hidden states，不能直接说明对未见攻击、闭源骨干或恶意表示操纵仍有效。

11. Environmental Impact of Generative and Agentic AI: An In-Depth Analysis and Green Solutions（arXiv:2609.32960）

• 作者：Abderaouf Bahi、Amel Ourici、Ibtissem Gasmi
• 来源/分类：arXiv · cs.CY、cs.AI
• 链接：摘要页 · PDF
• 简介：仅依据摘要。 这是一篇生命周期综述，从硬件制造、训练、微调、推理到报废讨论生成式与 agentic AI 的能源、碳、水和电子废弃物，并提出九指标 SAFIA 框架。作者基于公开资料做数量级估计，认为长期推理能耗可能达到或超过训练、agent 工作流的调用链会放大能耗一到数个数量级。价值在于把工具调用纳入核算；没有原始物理测量，结论对模型、硬件、负载和电力结构假设敏感。

12. Beyond Dyadic Memory: Interaction-Aware Multimodal Memory with Adaptive Agentic Retrieval for Multi-Party Spoken Conversations（arXiv:2609.32522）

• 作者：Wenxu Jia、Xize Cheng、Zihan Zhang、Dongjie Fu、Linjun Li、Wenshi Chen、Yangyang Wu、Tao Jin
• 来源/分类：arXiv · cs.AI、cs.IR、cs.SD、eess.AS
• 链接：摘要页 · PDF · 项目、代码与数据
• 简介：重点论文已在上文详述。VoxPolyMem 的 85.0/89.6/74.4 是三套 memory benchmark 的作者报告分数；数据主要由合成多方对话和语音构造，真实说话人、口音、噪声、隐私授权与记忆删除流程仍是部署前置条件。

13. Adapting Vision-Language Models for Human-Readable XAI in Industrial Object Detection（arXiv:2609.31690）

• 作者：Sarvenaz Sardari、Freddy Fernandes、Samarth Yelvande、Jose Moises Araya-Martinez、Alina Roitberg
• 来源/分类：arXiv · cs.CV、cs.AI
• 链接：摘要页 · PDF
• 简介：仅依据摘要。 论文为制造业质量控制设计面向非专家工人的视觉语言解释界面，并微调 VLM 生成带上下文、可读且图像有据的说明；比较开箱模型与微调模型，在私有数据和公开机器人数据上报告解释清晰度、指令遵循、图像 grounding 和上下文意识优于 GPT-4o-mini。价值在于把 XAI 使用者纳入设计；摘要未给出工人盲测、解释忠实性、错误代价、数据许可和跨产线泛化。

14. EEGAgentBench: Benchmarking LLM Agents on Short- and Long-Horizon EEG Analysis（arXiv:2609.31632）

• 作者：Huyu Wu、Weining Weng、Yuchen Liu、Yiqiang Chen、Yang Gu
• 来源/分类：arXiv · cs.LG
• 链接：摘要页 · PDF
• 简介：仅依据摘要。 EEGAgentBench 覆盖 6 类脑电任务、2 秒至近 23 小时信号、10 个确定性分析工具，并要求 agent 自主选工具、累积证据和构造多步工作流；论文评测 15 个模型家族的 29 个 frontier LLM。作者报告长时域证据累积和多步推理仍是瓶颈，能力不只随模型规模或推理成本增长。价值在于统一短/长时域协议；摘要未说明临床标签质量、患者级划分、数据污染和安全使用边界。

15. Recent Advances in Agentic Agri-Robotic Phenotyping: A Perspective Review from Fragmented Multimodal Sensing to Unified PhenoAgent Intelligence（arXiv:2609.34567）

• 作者：Muhammad Owais、Ehtesham Iqbal、Samee Ullah Khan、Muhammad Umraiz、Yusra Abdulrahman、Irfan Hussain
• 来源/分类：arXiv · cs.CV、cs.ET
• 链接：摘要页 · PDF
• 简介：仅依据摘要。 这篇 perspective review 将种子、土壤、植株、环境和管理（SSPEM）视为统一的作物智能问题，提出 PhenoAgent 概念，把多模态感知、证据不确定性、缺失测量和管理建议连接起来。作者总结数据稀缺、标注、benchmark、泛化与可解释性等挑战；它是框架性综述，没有一个可独立复现的统一模型结果或农业增产因果证据。

16. Can AI Make Money in Crypto? Measuring the Gap from Backtests to Real Markets（arXiv:2609.34510；跨主题）

• 作者：Xingtong Yu、Jiarun Zhou、Guanlin Ding、Wenkang Wei、Jiarui Liu、Chang Zhou、Fangzhou Ge、Xikun Zhang、Renqiang Luo、Jie Zhang、Hong Cheng、Xinming Zhang、Hui Zhang、Yuan Fang
• 来源/分类：arXiv · cs.AI
• 链接：摘要页 · PDF · 代码
• 简介：仅依据摘要；跨主题。 论文把机器学习、强化学习、LLM 与 agent 交易方法放进历史回测、交易所 paper trading、真实资金 live trading 三阶段协议，测量从历史到未来、从模拟到执行的性能落差。价值是把 look-ahead、延迟、滑点、流动性和市场冲击显式纳入；摘要没有给出各方法的阶段性收益数字，金融含义与真实可交易性在金融简报中只作为证据边界讨论，不构成投资建议。

17. ARS: Agentic Reward System for Robot Learning（arXiv:2609.34484）

• 作者：Sheng Hu、Weiyi Lu、Lingbing Zeng、Gan Weng、Kai Xie、Weiwei Zhang、Xiaofeng Mou、Yi Xu
• 来源/分类：arXiv · cs.RO、cs.LG
• 链接：摘要页 · PDF · 代码
• 简介：仅依据摘要。 ARS 用通用 VLM 对离线机器人轨迹做自适应视觉检查：子 agent 提议事件时间线，主 agent 验证/修订，再给出逐帧进度奖励，也可审计外部 reward model。作者在语义错配 benchmark、仿真策略学习和真实洗衣机装配线多螺钉拧紧上报告优于若干基线，尤其减少把错对象操作误判为进展。价值在于把 reward 设计拆成提议与核验；摘要未给出人类奖励一致性、VLM 调用成本、真实机器人失败率和跨任务泛化。

18. Q-learning Penalized Transformer for Safe Offline Reinforcement Learning（arXiv:2609.34426）

• 作者：Shengchao Hu、Peng Wang、Jifeng Hu、Qiyang Zhou、Anning Hu、Li Shen、Ya Zhang、Dacheng Tao
• 来源/分类：arXiv · cs.LG
• 链接：摘要页 · PDF
• 简介：仅依据摘要。 QPT 把条件序列生成与奖励/成本 Q 函数结合，训练时用 Q penalty，推理时选择满足成本阈值且奖励最高的可行动作，以解决安全约束、回报和离线行为正则的冲突。作者报告在 DSRL 的 38 个任务上超过安全 offline RL 基线，并能对不同约束阈值零样本适配。价值在于训练—推理一致的安全门；摘要未给出各任务数字、行为数据覆盖、Q 函数误差和 near-deterministic CMDP 假设在真实环境中的失败条件。