每日 AI 论文简报｜2026 年 10 月 21 日

今日 AI 候选来自 arXiv 官方 RSS，共 18 篇。重点关注优先选择有可核对实验、明确基线或能暴露评测边界的论文；文中的“论文报告”是作者自述，不等同于独立复现。其余论文仅依据官方摘要整理。

重点关注

Fake News, Real Crashes: Information Injection Attacks on LLM Financial Trading Agents

• 作者：Mengxiao Wang、Nitesh Saxena
• 来源/分类：arXiv（cs.CR、cs.AI）；论文主题：AI / 金融（双主题）、智能体安全
• 论文要解决的问题：金融交易智能体把新闻当作证据，但可能无法区分真实新闻和被注入的虚假事实。论文不只攻击系统提示，而是攻击模型信任的外部信息，并考察单条伪造信息能否让多个智能体在同一时间做出相同交易。
• 方法与基线：构造五类信息注入向量和七类事件，在 15 只美国股票上评估约 1 万次决策；核心实验使用 GPT-4o-mini、市场快照和技术指标，比较无攻击控制、提示注入、伪造新闻、事实投毒及多模型混合信息流，并测试多智能体辩论、星型汇总和分层汇总防御。
• 关键结果：论文报告提示注入攻击成功率（ASR）为 14%，伪造新闻为 62%，两条 30 词模板在 15 只股票上达到 100%；去掉来源名称或“BREAKING”等可信度线索后，ASR 从 100% 降到 0%，但虚假主张本身不变。攻击还依赖智能体状态：即将持有时为 91%，即将买入时为 12%；分层汇总降低攻击率，而普通模型扩展和同伴辩论并不能稳定解决事实投毒。
• 创新、局限与失败条件：价值在于把“指令被改写”和“证据被污染”拆开，并用状态条件和跨供应商实验暴露相关性风险。局限是以固定股票、英语新闻和沙盒决策为主，攻击模板与评测时间窗有限；结果证明的是脆弱性，不是现实交易损失的因果估计，也没有证明分层汇总在实时行情下的成本和鲁棒性。
• 适合谁读：做金融智能体、RAG 安全、信息完整性和红队评测的研究者。建议优先读第 3 节威胁模型、第 4 节攻击基准、第 5 节结果和第 6 节防御消融。
• 证据状态：已阅读全文 PDF；以上数字是论文报告，未做独立复现。
• 相关链接：摘要页 · PDF · DOI

Doing Less with More: A First-Principles Exploration of the Suitability of Agentic Computing over Alternative Architectural Choices

• 作者：Ritvik Garimella、Biplav Srivastava、Amit Sheth
• 来源/分类：arXiv（cs.AI）；论文主题：智能体架构选择与系统成本
• 论文要解决的问题：业务自动化不应默认使用 LLM agent。论文从第一性原理比较本地确定性计算、REST、SOAP、MCP、直接调用 LLM 和 agentic tool use，询问在准确率、吞吐和运行成本约束下何时 agent 才合适。
• 方法与基线：使用 1,000 个需要保持运算符优先级的算式，比较 Python Function Calling、REST、SOAP、MCP、Groq 云端模型、五个本地 Ollama 模型，以及本地模型调用 MCP 的智能体。指标包括准确率、总延迟、CPU 时间、token 数和估算成本，并改变温度检查随机性。
• 关键结果：论文报告确定性方法准确率均为 100%，且延迟接近零；直接 LLM 最好约 92.9%，总延迟超过原生函数调用 22,000 倍。MCP 智能体最高达到 99.9%，但延迟接近基线的 990,000 倍；本地模型的工具调用并不总是有益，部分模型调用工具后准确率下降。温度变化对准确率影响有限，但系统级调用开销仍是主要瓶颈。
• 创新、局限与失败条件：它把“能不能用 agent”还原成可量化的架构决策，而不是用单一模型排行榜替代系统设计。局限是算术任务不能代表开放式推理、语言交互或复杂业务；微服务网络、硬件、模型和提示实现会影响延迟，不能把绝对倍数直接外推到所有生产环境。
• 适合谁读：做 agent 平台、系统架构、工具调用和成本优化的工程师。建议优先读第 3 节实验设置、第 4 节结果表和第 5 节架构决策框架。
• 证据状态：已阅读全文 PDF；以上数字是论文报告，未做独立复现。
• 相关链接：摘要页 · PDF · 代码 · DOI

Auditing Tool Traces in Agentic LLMs: Source Localization and Counterfactual Dependence Testing

• 作者：Junhao Liu、Tianxiao Li、Yongxian Wu、Ziheng Duan、Ren Li、Jing Zhang、Martin Renqiang Min
• 来源/分类：arXiv（cs.AI、cs.CL）；论文主题：智能体可复现性与数据污染审计
• 论文要解决的问题：科学智能体把多个工具结果串成一条轨迹后，数据集 ID、模板或其他标识符可能成为隐藏标签捷径。只看最终准确率，会把“读取了捷径”误判成“理解了科学证据”。
• 方法与基线：提出两阶段审计：先用 Per-Tool TF-IDF Decomposition（PT2D）把预测信号定位到单个工具结果，再用 Token-Class Redaction 对定位出的标识符做反事实删除。实验以 TCR-pMHC 结合预测为例，比较完整工具轨迹、无证据基线、不同 token 类别删除和逐步增加工具数量的信号稀释。
• 关键结果：论文报告完整工具轨迹的 AUROC 为 0.8136，无证据约 0.4928；删除某工具中的 PDB-ID 后 AUROC 降至 0.4972，而删除肽序列 token 后约为 0.8152，说明主要信号来自标识符而非生物学证据。工具结果拼接后整体审计接近随机，但单工具字符级审计仍可定位信号；加入更多合成工具结果会稀释整体检测能力。
• 创新、局限与失败条件：核心贡献是把数据污染审计从“整条轨迹加噪”变为来源级定位和反事实依赖测试。局限是单一生物任务、固定工具集合和一个 4B 级微调模型；TF-IDF 可能漏掉非词法捷径，删除 token 也可能改变语义，因而仍需跨任务、跨模型验证。
• 适合谁读：做科学 agent、RAG 评测、数据污染与可复现性研究的读者。建议优先读第 3 节 PT2D、第 4 节 token redaction、第 5 节实验和第 6 节审计边界。
• 证据状态：已阅读全文 PDF；以上数字是论文报告，未做独立复现。
• 相关链接：摘要页 · PDF · DOI

Zephyrus-R1: Agentic Reinforcement Learning for Weather Reporting

• 作者：Fengfei Yu、Marshall Fisher、Isadora White、Sumanth Varambally、Yasaman Jafari、Shivam Yadav、Samuel M. Bartlett、Shawn Roj、Benjamin J. Moore、Michael D. Warner、Luyu Han、Zhirui Xia、Duncan Watson-Parris、Taylor Berg-Kirkpatrick、Yian Ma、Rose Yu
• 来源/分类：arXiv（cs.LG）；论文主题：科学智能体与可验证奖励
• 论文要解决的问题：自然语言天气预报有多个合理表述，不能像算术题一样用唯一答案验证；如果奖励只看流畅性，模型可能生成无根据的天气断言。论文研究如何把工具使用、气象标准和事实蕴含结合进 RL。
• 方法与基线：设计包含气象 rubric 与双向 claim entailment 的奖励，以美国国家气象局报告作参考；智能体在模拟工具环境中读取预报数据、地图和区域证据。先用可验证的天气分析任务做课程学习，再训练报告生成；比较 Qwen3.5-4B、Qwen3.8-27B 基座、直接 RL、监督微调加 RL，以及 Kimi-K3、GPT-5.6-Luna 等外部模型，并让 3 名气象学家审计 LLM judge。
• 关键结果：论文报告 Qwen3.5-4B 在六项 judge 指标均值上比基座提高 26%；Qwen3.8-27B 提高 13%，比 Kimi-K3 高 6.7%，比 GPT-5.6-Luna 高 2.7%。4B 模型课程 RL 均值约 0.548，基座约 0.347；27B 课程版本约 0.571，基座约 0.506。气象学家与 LLM judge 的多数标签完全一致率为 0.67，允许一档误差时为 0.94，说明评审器仍不是金标准。
• 创新、局限与失败条件：贡献是把开放式科学写作拆成可检查的事实、依据和表达目标，并用课程学习降低小模型直接学开放式奖励的失败率。局限包括使用预报 oracle、LLM 评审器、单次训练和美国天气报告分布；提高 judge 分数不等于提高实际预警效果或公共安全价值。
• 适合谁读：做科学 agent、RL reward design、工具调用和事实性评测的研究者。建议优先读第 3 节奖励、第 4 节课程训练、第 5 节评审器验证和第 6 节消融。
• 证据状态：已阅读全文 PDF；以上数字是论文报告，未做独立复现。
• 相关链接：摘要页 · PDF · DOI

Joint, Decoupled, or Agent: When Each Multimodal Alignment Paradigm Wins

• 作者：Yi Fang、Gaurav Srivastava、Sirui Ding、Xuan Wang
• 来源/分类：arXiv（cs.AI）；论文主题：多模态架构与公平比较
• 论文要解决的问题：联合预训练、独立编码器融合和 LLM agent 三种多模态对齐范式没有明显的全局赢家。论文研究任务类型、监督预算和单模态可分性是否能在训练候选模型前预测哪种范式更合适。
• 方法与基线：在五个领域的 16 组配对数据集上比较 JOINT、DECOUPLED 和 AGENT，覆盖不同训练标签预算，共 144 个数据集—预算单元。所有范式尽量使用公开冻结编码器和统一下游头；然后在留一组交叉验证中，用单模态 5-NN、表示几何、文本—标签匹配、任务元数据训练路由级联。
• 关键结果：论文报告 DECOUPLED、JOINT、AGENT 分别赢下 54、44、46 个单元，没有范式主导全局；JOINT 在五个 QA 数据集中的四个跨预算领先，高单模态 5-NN 相关性更偏向 DECOUPLED（Spearman ρ=-0.67）。两步级联在留一组评估中选中赢家 71.4%，高于只用元数据的 54.2%，平均相对遗憾为 0.028 对 0.057。
• 创新、局限与失败条件：它将架构选择变成可预先诊断的模型选择问题，减少“先训练所有模型再解释”的成本。局限是范式实例、公开 checkpoint、效用函数和数据集数量都有限；级联本身仍依赖诊断质量，且 AGENT 的推理 token、延迟和算力成本没有完整纳入主效用。
• 适合谁读：做多模态学习、模型选择和低预算迁移的研究者。建议优先读第 3 节范式定义、第 4 节 144 个单元结果和第 5 节诊断路由。
• 证据状态：已阅读全文 PDF；以上数字是论文报告，未做独立复现。
• 相关链接：摘要页 · PDF · DOI

Unified Multiparadigm Fusion Intelligence for Rare Disease Diagnosis

• 作者：Jian Yang、Peiling Liu、Songda Li、Yu Cao、Yuqing Feng、Lan Yu、Jiarong Pan、Jing Ye、Xinwen Huang、Chaochun Zou、Xudong Lu、Huilong Duan、Haomin Li
• 来源/分类：arXiv（cs.AI）；论文主题：医疗 AI、多范式融合
• 论文要解决的问题：罕见病诊断同时受制于知识不完整、神经模型不可解释、LLM 数据泄漏和临床信息碎片化。论文研究符号推理、深度模型、病例检索和 LLM 反思是否能在严格隔离数据下互补。
• 方法与基线：提出 FusionRare，把本体/知识推理、残差网络、患者病例检索和 LLM 启发式推理用统计元聚合与知识增强反思组合；在 2,528 个严格隔离病例上比较 DeepRare、GPT-5.5、PhenoBrain、LIRICAL 等。另有 300 例随机交叉临床验证和 10 组带基因型的评测。
• 关键结果：论文报告表型单独诊断 Recall@1 为 51%，表型—基因型联合为 79%；联合病例中疾病 Recall@1 为 79.1%，基因 Recall@1 为 85.3%。临床交叉实验中，真实诊断排名在 45% 的决策中提升，医生信心提高约 62%，诊断时间减少约 21%。这些是作者报告的基准和辅助临床实验，不是前瞻性临床结局。
• 创新、局限与失败条件：价值在于用隔离数据和多范式互补来回应单一模型的泄漏与解释性问题。局限包括中文 EHR、半合成基因组注入、样本规模和无前瞻性疗效；临床验证可能有自动化偏差，模型排名提升不等于改善患者结局，最终诊断责任仍在医生。
• 适合谁读：做医疗 AI、罕见病诊断、知识增强 agent 和高风险评测的研究者。建议优先读第 3 节融合架构、第 4 节严格隔离基准和第 5 节临床交叉实验。
• 证据状态：已阅读全文 PDF；以上数字是论文报告，未做独立复现。
• 相关链接：摘要页 · PDF · DOI

AI 论文

以下 12 篇为其余候选。它们均保留官方摘要页和 PDF；由于本轮未逐篇取得并核读全文，数字和方法仅按摘要转述。

BrandEval: A Two-Track Multi-Agent Benchmark for Risk-Sensitive LLM Crisis Communication

• 作者：Haotian Gan、Weidong Tang、Hanbin Sun、Yi Luo、Xintian Li、Jiayong Wang、WanYue Li、Yudong Li
• 来源/分类：arXiv（cs.AI）；论文主题：风险敏感的危机沟通智能体
• 简介：论文提出 BrandEval-Static 与 BrandEval-Dynamic，并在 BrandPolis 沙盒中模拟消费者反馈、竞争者行动、信任和风险轨迹；同时构建中文 BrandSRD 数据集。摘要报告静态质量不能可靠预测波动和延迟恢复，动态压力测试能暴露操纵性或缺乏依据的策略，但尚未给出完整数字和独立现实验证。
• 证据状态：仅依据摘要；未核对场景生成、动态反馈的外部效度、模型污染和即将发布的代码/数据。
• 相关链接：摘要页 · PDF · 代码/数据计划 · DOI

From Scientific Crop Imagery to Agronomic Reasoning: A Multimodal LLM Benchmark for Plant Phenotyping

• 作者：Yu Wu、Guangzeng Han、Ibra Niang Niang、Francia Ravelombola、Maiara Oliveira、Jason Davis、Dong Chen、Feng Lin、Xiaolei Huang
• 来源/分类：arXiv（cs.CV、cs.AI、cs.CL）；论文主题：农业多模态推理
• 简介：PlantXpert 用 545 张图像和 4,351 个样本覆盖大豆、棉花、水稻和玉米的病害、虫害、杂草、产量等任务，比较 11 个 VLM 的基础模型与领域微调。摘要报告微调后许多模型约 70% 准确率，11 个模型中 9 个的提升在 Holm 校正后仍显著，同时存在作物不均衡、定量推理和专业图像分析弱点。
• 证据状态：仅依据摘要；未核对训练/测试隔离、图像重复、基线算力和跨田间环境泛化。
• 相关链接：摘要页 · PDF · DOI

FinSafeGuard: A Quality-Driven Synthetic Dataset for Financial AI Safety

• 作者：Joseph Thomas Thacil、Reetu Raj Harsh、Krati Saxena、Bhaskarjit Sarmah、Stefano Pasquali
• 来源/分类：arXiv（cs.AI）；论文主题：金融 AI 安全数据
• 简介：论文从 632,000 个场景规格生成 2,640 万条原始样本，经合并、语义去重和质量过滤后保留 1,430 万条，覆盖银行、保险和金融服务。摘要报告三步分别减少约 20.9%、18.7% 和 15.9%，并分析不同生成模式的多样性饱和点；摘要没有证明这些样本能改善下游安全模型。
• 证据状态：仅依据摘要；未核对 LLM-as-a-Judge 偏差、领域覆盖、合成数据与真实事件的分布差异和下游因果增益。
• 相关链接：摘要页 · PDF · DOI

FinHopper: A Progressive Multi-Hop Benchmark for Complex Financial Agents with Step-wise Evaluation

• 作者：Yuxuan Wu、Miaopei Lin、Qiufang Ying、Lin Dan、Hao Zhao、Qirui Liu、Yuteng Shen、Shaohui Wu、Weihong Luo、Xiku Du、Xing Tang、Hao Chen
• 来源/分类：arXiv（cs.LG）；论文主题：金融多跳检索智能体
• 简介：FinHopper 将股票、基金和宏观事实串成 1–6 跳链，每一跳都有实体、日期、事件或数值型 gold 中间答案，并用合成、验证、公共搜索和专家检查构造数据。摘要报告 20 个 LLM-agent 配置随跳数增加明显退化，公共搜索必要但不足，过程评分能发现最终答案评分隐藏的部分进展。
• 证据状态：仅依据摘要；未核对题目合成与真实检索分布、搜索时间成本、数据污染和专家标注一致性。
• 相关链接：摘要页 · PDF · 代码/数据 · DOI

Medical Fine-Tuning Reshapes, Not Reduces, Patient-Facing AI Risk: A Rubric-Based, LLM-Judge Evaluation Framework

• 作者：Savan Doshi
• 来源/分类：arXiv（cs.AI、cs.CL）；论文主题：医疗问答安全
• 简介：论文用六类风险语言指标评估 6 个 7–9B 模型在 200 个真实患者问题上的表现，区分一般模型和医学适配模型。摘要报告风险语言与幻觉率近似独立（ρ=-0.065，p=0.24），医学微调不是简单降低风险，而是压低高警示药物/剂量提及同时可能增加过度自信；临床判断类指标的 Krippendorff α 仅 0.19–0.31。
• 证据状态：仅依据摘要；未核对问题抽样、LLM judge 的临床有效性、风险语言与真实伤害的关系和模型训练污染。
• 相关链接：摘要页 · PDF · DOI

Agentic Orchestration of EDC Data Space Retrieval and Natural Language Driven Data Processing

• 作者：Marla Grunewald、Fin Gentzen、Iulisloi Zacarias、Admela Jukan
• 来源/分类：arXiv（cs.AI）；论文主题：数据空间访问控制与 agent 编排
• 简介：论文在 LangGraph 与 Eclipse Dataspace Components 上拆分编排、数据提取、ML、可视化和验证 agent，利用凭证门控目录发现、合同协商和下载。摘要报告 600 次主要实验成功率 89%、零政策违规，技术请求最高 98%、随意/不完整请求约 72%；地理访问控制阻断 100% 未授权请求，但验证器有约 1% 的幻觉陈述。
• 证据状态：仅依据摘要；未核对请求分布、策略复杂度、失败成本和真实多方数据空间中的权限漂移。
• 相关链接：摘要页 · PDF · DOI

RouterWorld: Scaling Conversational AI with Latency-Aware LLM Routing

• 作者：Jinyang Li、Denis Emelin、Simone Tedeschi、Weiwei Cheng、Cristina Morariu、Haytham Assem、Jens Lehmann、Emine Yilmaz、Angus Addlesee
• 来源/分类：arXiv（cs.AI、cs.CL、cs.LG）；论文主题：对话模型路由
• 简介：RouterWorld 汇总 371,000 条单轮响应和 76,000 条多轮 agent 轨迹，用硬件标注的延迟替代短期价格，提出 Cold-Start 和 Voyager 两种部分可观测设置。摘要比较 13 个路由基线，指出现有路由器偏重准确率而忽略延迟，但没有在摘要中给出各路由器的完整收益—延迟曲线。
• 证据状态：仅依据摘要；未核对 judge 一致性、硬件延迟迁移、在线数据分布改变和公开数据中的模型污染。
• 相关链接：摘要页 · PDF · DOI

Toward Agentic Retrieval-Augmented Generation for Enterprise Retail Workflows over Heterogeneous Data Sources

• 作者：Jeonghwan Choi、Jibin Hwang、Hayoon Park、Hyeonjae Cheon、Hwanjun Song
• 来源/分类：arXiv（cs.AI）；论文主题：企业多源 RAG
• 简介：RetailBridge 用 persona-driven simulation 把商品、订单、咨询和评论等异构来源连接成需要中间证据传递的问题，RetailRAG 通过 schema briefing、来源路由和计划修订处理这些链。摘要报告 RetailRAG 在所有评测轴超过 agentic RAG 基线，但十个 backbone 都把跨源链路识别视为主要瓶颈，说明单纯扩大模型不够。
• 证据状态：仅依据摘要；未核对模拟数据与真实企业表结构的差异、检索泄漏、代码可复现性和调用成本。
• 相关链接：摘要页 · PDF · 代码/数据 · DOI

From Stories to Features: Scaling Concept Vectors for AI Alignment & Interpretability

• 作者：Dmitry Scherbakov、Oleg Chernikov、Victoria Khamash、Kirill Afendulev、Alexey Dontsov、Ivan Oseledets、Elena Tutubalina、Anton Korznikov
• 来源/分类：arXiv（cs.CL）；论文主题：可解释性与对齐
• 简介：论文用概念—反概念故事对的平均激活差构造特征向量，覆盖 1,036 个对齐相关概念、200 万条多语言多风格合成故事，并在 6 个模型和 3 个模型家族上测试检测和因果 steering。摘要报告特征可迁移到对话/网页文本并能影响越狱、数学和 agentic reasoning 表现，但合成故事可能把作者设计的概念偏差带入特征。
• 证据状态：仅依据摘要；未核对概念标注、跨家族可比性、steering 副作用和训练文本污染。
• 相关链接：摘要页 · PDF · DOI

From SEC Filings to Financial Signals: Evaluating LLMs on Stock Market Reactions and Analyst Forecasts

• 作者：Shengkun Wang、Taoran Ji、Linhan Wang、Sattar Mansi、Chang-Tien Lu、Yinlin Chen
• 来源/分类：arXiv（cs.AI）；论文主题：AI / 金融（双主题）、金融文本评测
• 简介：论文把 2001–2024 年 45,964 个 10-Q MD&A 事件与基本面排名、分析师预测和异常收益连接，比较 13 个通用/金融模型和五种信息视图。摘要报告加入基本面排名后有效日/次日 RankIC 平均增加 0.0089/0.0098，金融专用模型只有事件日组优势；完整信息下直接预测平均处于分析师分布第 43.4 百分位，加入共识锚定后落在区间内的比例从 41.1% 升至 59.5%，但 EPS 误差上升。
• 证据状态：仅依据摘要；这些是预测相关性和分组比较，不是因果收益或真实可交易结果；未核对财报发布日期可得性、数据泄漏、交易成本和样本外稳定性。
• 相关链接：摘要页 · PDF · DOI

Recording-Aware Evaluation of Multimodal OT Intrusion Detection

• 作者：Mustafa Umut Ozbek、Khalil El-Khatib、Li Yang
• 来源/分类：arXiv（cs.CR）；论文主题：工业控制系统安全评测
• 简介：论文要求在同一 recording 内比较攻击窗口和背景、用先前数据校准、随机化事件时间并报告事件覆盖与告警负担。摘要报告 ProvICS 的网络模态在第一次标记攻击前就能区分 benign/attack，same-recording 会反转模态排名，网络融合的 cross/same AUC 差最高达 0.54；事件重叠指标可能因少数长告警而夸大检测效果。
• 证据状态：仅依据摘要；未核对 HAI 外部数据的规模、时间对齐、攻击语义和实际运维误报成本。
• 相关链接：摘要页 · PDF · DOI

ContraSafe-VL: A Contrastive Safety Preference Dataset for Vision-Language Models

• 作者：Di Wu、Yanyan Zhao、Xin Lu、Hao Yang、Taotao Zhang、Yunzhen Zhao
• 来源/分类：arXiv（cs.CV）；论文主题：视觉语言模型安全对齐
• 简介：ContraSafe-VL 固定文本、改变视觉上下文，构造安全标签不同的成对样本，并同时提供有用性/无害性的偏好对，以监督模型真正使用视觉信息而非忽略或过度解释。摘要报告在三类 VLM 和多个基准上改善跨模态安全识别与安全—过拒答权衡，但数据仍计划公开，摘要没有完整数字。
• 证据状态：仅依据摘要；未核对视觉上下文构造、标签一致性、越狱覆盖、数据污染和泛化到真实图像的效果。
• 相关链接：摘要页 · PDF · DOI