每日 AI 论文简报（2026-10-27）
重点关注
DeepSafe-SciHazard：科学场景下的危害评测
- 问题与方法： 常见安全基准多靠模板问题，难表达专业领域的真实危险。SciHazard 收录 2,400 个危险问题、600 个过度拒答问题，覆盖 12 个学科；DeHarm 将问题危险性、拒答、回答可执行性和新增风险拆开评估。
- 基线与结果： 作者报告在专家验证中，与专家标注的一致性比最强基线高 90.17%；基准评了 31 个前沿 LLM 和深度研究代理。深度研究代理平均 DeHarm 分数比普通 LLM 高 32.3%。
- 新意与边界： 用受监管实体和已记录失效情景构造查询，并将可执行清单、检索增强的风险主张核验纳入评分。分数衡量基准定义下的风险，不等于现实世界滥用率；样本覆盖、检索语料与自动裁判会影响分数。
- 适合谁读： AI 安全评测、科学模型治理与代理系统研究者。建议先看数据构建与评分分解，再看专家验证、31 模型比较及失败案例。
- 代码/数据： GitHub。
RxnExBench：科学论文反应图表抽取
- 问题与方法： 合成化学论文的筛选表和底物范围图含有难以结构化读取的反应信息。基准覆盖 8 本化学期刊、266 张图，含 3,565 个反应、2,361 个分子结构、15 种反应角色与 26 个字段；40 位化学背景标注者参与标注，并分三级难度。
- 基线与结果： 比较 9 个视觉语言模型。所有模型从简单到困难层级均明显下降：字段级平均 F1 中，C1 从 15.93% 降至 5.51%，C3 从 6.27% 降至 1.83%；最好的复杂线条计数也只有 60%。Oracle-MolRec 用 GPT-5.5 排除分子识别误差后，严格 F1 为 15.29（提升 8.48 个百分点），说明瓶颈并非只在 OCR/结构识别。
- 新意与边界： Oracle-MolRec 把分子读取得分和化学关系推理分开。当前主要覆盖英文有机合成文献；严格字段匹配会放大轻微格式错误。论文摘要称数据和代码将发布，仓库链接如下，具体发布状态需以仓库为准。
- 适合谁读： 科学文献挖掘、化学信息学和多模态模型评测研究者。建议读数据 schema、难度划分、Oracle-MolRec 及错误分析。
- 代码： GitHub。
SCI-AGENT-EXAM：科研工作流代理评测
- 问题与方法： 代理能否完成科研工作流，不能只看文字回答。基准含 120 个专家任务，覆盖 11 个科学领域、7 类工作流；每题要求代码/脚本等可执行产物和报告等文字产物。执行结果用确定性程序核查，文字部分用校准并经专家验证的 LLM 裁判。
- 基线与结果： 在 10 个前沿代理中，作者报告 GPT-6 Astra 总分最高 80.9，但运行达到 0.95 成功阈值的比例只有 26.0%；说明平均质量分数与稳定完成率不是一回事。
- 新意与边界： 同时考察结果、执行轨迹中的进展与稳定性。任务仅 120 个且实验取决于模型版本、运行框架和文本裁判校准；不同科学领域的任务难度是否相当也影响总分解释。
- 适合谁读： 科研代理、代码代理和基准设计研究者。建议先读任务分类和双通道评分协议，再读成功率分布与轨迹稳定性分析。
- 代码/数据： GitHub。
MBABench-2.0：从零构建财务表格的代理能力
- 问题与方法： 既有电子表格基准偏向填空和小修补，无法测量建模选择、格式和表间结构。MBABench-2.0 包含 101 个原始表格构建任务、129 项质量标准和 12 个类别；评测 20 余代理、8 个模型、4 种运行框架。最难任务据作者估计需有三年以上经验的建模者约 33 小时。
- 基线与结果： 最高通过率只有 16%。评分不止核对数值，还检查可读性、可维护性与可审计性。
- 新意与边界： 将真实金融建模中难以单测的结构质量操作化。题目由研究团队设计，“33 小时”是作者估计；通过率依赖 129 项标准的权重、评分和任务样本，不能直接等同于岗位替代率。
- 适合谁读： 金融模型自动化、表格代理及办公智能体团队。建议先看任务采样与 rubric，再读失败样例、裁判验证及模型/框架拆分。
- 代码： GitHub。
TGR-EvoDAG：推荐系统代码演化与线上结果
- 问题与方法： 生成式推荐包含分词、预训练、对齐等串联阶段；只按当前阶段分数筛选，可能过早丢弃对下游有益的上游改动。TGR-EvoDAG 用 DAG 保存多分支方案、阶段感知 GPU 成本规划及下游协同评价。公开数据实验从相同 TIGER 初始代码出发，预算均为 24 GPU 小时；Claude CLI 调用均路由到 GLM-5.2。
- 结果： 在 Amazon Office（4,905 用户、2,420 商品、53,258 次交互）上，相比强基线 APAO，作者报告 Hit@10 提升 24.7%、NDCG@10 提升 37.4%。腾讯内部系统另以 10 天、逾千万次交互训练；作者报告离线 Hit@1 提升 12.16%。线上 A/B 为 14 天、5% 流量、超 100 万用户，CUPED 与 Benjamini–Hochberg 校正后报告系统 CTR +0.40%、p=.019。
- 新意与边界： 将下游互补性和阶段训练成本纳入搜索，而非线性地只留当前赢家。线上结果是作者报告，内部数据/实现未开放，外部无法独立复现；效果也绑定腾讯系统、流量与实验期。
- 适合谁读： 推荐系统、自动算法发现与工业级代码代理研究者。建议优先读方法中的阶段依赖/预算设计、公开数据对照、线上实验及消融。
- 代码/数据： 摘要未给出公开代码链接；腾讯线上数据未公开。
OVC：多模态强化学习中的视觉 token 信用分配
- 问题与方法： RLVR 常把单一回答级优势分配给所有 token，视觉观察与后续推理角色不同，且答错时给有效视觉 token 正向更新也可能有害。OVC 先计算视觉表征相对提示上下文的关联，再按结果条件化分配 token 级学习信用，并可接入统一优势的策略优化器。
- 基线与结果： 在 Qwen3-VL-4B/8B、Qwen3.5-9B 及 ViRL39K/Math77K 上比较 GSPO。GSPO+OVC 四次评测种子的平均得分分别为 60.71 对 58.67（+2.04 点）、63.98 对 61.59（+2.39 点）、70.78 对 68.92（+1.86 点）。
- 新意与边界： 把“视觉关联”与“如何分配学习信用”分开处理。训练每个 minibatch 需四次无梯度统计前向和一次训练前向，计算开销须与收益一起衡量；基准固定，部分评价用 DeepSeek V4 裁判，暂无真实机器人闭环证据。
- 适合谁读： 多模态推理、强化学习与 token-level credit assignment 研究者。建议看 OVC 定义、与 GSPO 的同预算对照、四种子结果和成本分析。
- 代码： GitHub；项目页。
AI 论文
DeepSafe-SciHazard: A Benchmark for Measuring Scientific Safety Risks with Decomposed Harm Scoring
作者：Chunxiao Li、Yuan Xiong、Lijun Li 等。全文核读。研究科学领域模型回答可能造成的现实危害，提出以危险程度、拒答、可执行性和新增风险分解计分的 SciHazard；作者报告其专家一致性较最强基线高 90.17%，并评测 31 个模型。价值在于把科学安全从模板拒答扩展到可执行风险；评分仍受检索和裁判设计影响。
RxnExBench: Benchmarking Vision-Language Models for Structured Chemical Reaction Extraction from Scientific Literature
作者：Jiaxing Sun、Junyuan Gao、Ruikang Zhang 等。全文核读。面向合成化学论文中的反应筛选表与底物范围图，建立含 3,565 个反应、2,361 个分子结构的结构化抽取基准。9 个视觉语言模型随字段与推理复杂度上升而明显退化；Oracle-MolRec 进一步显示分子识别正确不等于化学推理正确。适合研究科学文献多模态抽取，标注覆盖范围与严格字段匹配会影响外推。
Omni-UBench: Benchmarking Omni-Modal LLM-based Guardrails Across Safety, Utility, and Reliability
作者：Junhao Wang、Yidou Chen、Li Lu 等。仅依据摘要。针对文字、图像、音频、视频及跨模态输入的安全护栏评测，整理超过 18.3 万条、来自 35 余来源的数据，并测试 15 个模型。作者报告跨模态隐含意图与复杂越狱仍难识别，且出现过度敏感和安全幻觉。覆盖规模可用于系统比较；来源异质性和标注一致性仍决定结论边界。
An Agentic Approach with Evidence-Grounded Verification for Multimodal Emotion Reasoning in Conversation
作者：Elyas Rashno、Farhana Zulkernine。仅依据摘要。研究如何让多模态对话情绪识别系统定位错误来源；冻结模型分别分析视觉、音频、文本，再用证据核验结果并针对失败环节修改提示词，不更新模型权重。在 MER2025 上四种 2B–38B 模型的 F 分数较静态流程提升 0.6–2.2 点，Qwen2.5-VL-7B 从 52.3 到 54.5。提升幅度依赖单一数据集和提示流程。
Can LLM Annotators Match Human Consistency? Benchmarking Human Agreement and Optimizing Multi-Agent with Contrastive Knowledge
作者：Xiaopeng Ke、Zhixin Wang、Xuebo Liu 等。仅依据摘要。针对人工标注存在合理分歧、单标签基准难以表达的问题，构建含 7 个数据集、每条 5 份独立人工标注的 ANT-A，并提出从正反反馈提炼判别规则的多智能体 ANT-OR。作者报告 agreement@≥2 较强基线提高 4.5 点，人类分布对齐的 Fleiss κ 差距缩至 2 点以内。跨任务指南的迁移能力仍需单独验证。
DetailAnywhere: Fashion Detail Generation via Cross-Modal Feature Alignment Distillation
作者：Zijun Li、Yimin Zhou、Jia Sun 等。仅依据摘要。把服装参考图指定局部生成高清细节设为任务，构建覆盖 41 类、4 万余对人工核验样本的 FDBench；CFAD 用 DINOv3 教师对齐生成分支，并以一致性奖励优化。作者报告优于所比较的开源方法和人工评估。服装身份保持与细节真实性是关键；样本品类和评测分布限制泛化。
Multimodal Generative AI Assists Comprehensive Echocardiographic Interpretation
作者：Yi Qin、Marawan Elbatel、Shanshan Song 等。仅依据摘要。EchoChat 用 46,358 例超声心动图指令数据训练多模态报告模型，并在 6 个中心评估 33 类心脏状况。作者报告 15 个新增类别外部评估平均 F1 为 73.7%，共同任务召回率较既有模型平均高 13.54%，报告协助读片 F1 从 72.78% 到 82.75%。临床读者研究仅含两位资深医师，不能替代前瞻性临床验证。
SCI-AGENT-EXAM: Benchmarking Agents on Scientific Research Tasks
作者：Tianyun Zhong、Wei Wang、Jialin Li 等。全文核读。用 120 个任务覆盖 11 个科学领域与 7 类科研工作流，要求智能体同时提交可执行产物和文字报告，并以程序检查与校准过的语言模型裁判组合评分。作者报告最高总分 80.9，但达到 0.95 成功阈值的运行仅 26.0%。它把“能写报告”与“产出可运行结果”纳入同一测评；任务规模和评判器仍是边界。
MBABench-2.0: Evaluating AI Agents on Constructing Financial Spreadsheets Beyond Simple Verifiability
作者：Julian Poeltl、Thomson Yen、Patrick Shea 等。全文核读。MBABench-2.0 用 101 个从零构建财务电子表格任务及 129 项、12 类质量标准，评测 20 余智能体、8 个模型和 4 种执行框架。作者报告最高通过率只有 16%，显示公式正确之外的布局、可审计性和可维护性仍难兼得。任务难度由作者估计，评分规则及样本覆盖决定外推范围。
ToolRACER: A Robust Agentic Conversation Emulation Resource for Agent Training and Evaluation
作者：Arkajyoti Chakraborty、Aryan Tayal、Ishika Agarwal 等。仅依据摘要。ToolRACER 用用户、助手和工具模拟器生成 6 个领域、55 种人物画像的 5,600 条多轮对话，其中约 66% 含易失败情景；作者报告用合成轨迹训练后，模型在 τ²-bench 与 ACEBench 等端到端任务表现改善。合成用户是否覆盖真实非合作行为，以及训练集与测试集是否有近似情景重合，值得复核。
BabelArena: A Large-Scale Multilingual Benchmark for LLM Agents
作者：Peng Kuang、Yuchun Fan、Jiangnan Li 等。仅依据摘要。BabelArena 将 702 个基准任务扩展为 16,146 个实例，覆盖 4 个基准族、13 个领域和 23 种语言，并通过结构保持翻译、多层验证及人工复核对齐任务。作者报告低资源语言更常出现工具调用与流程控制错误，输入 token 消耗最高约为英语两倍。翻译等价性与语言覆盖不均是主要限制。
3D Generation for Embodied AI and Robotic Simulation: A Survey
作者：Tianwei Ye、Yifan Mao、Minwen Liao 等。仅依据摘要。综述把具身 AI 的 3D 生成分为仿真数据生成、交互式环境构建和 Sim2Real 桥接三类，强调评价目标需从视觉逼真转向可交互、具物理属性。作者归纳物理标注不足、几何质量与物理有效性脱节、评价碎片化及仿真到现实差距。适合作为领域地图，不是新的对照实验。
A-MapReduce: Executing Wide Search via Agentic MapReduce
作者：Mingju Chen、Guibin Zhang、Heng Chang 等。仅依据摘要。A-MapReduce 将宽域检索拆成并行子任务，再聚合结构化结果，并用经验记忆调整任务分配；作者报告在五项智能体基准上，WideSearch 与 DeepWideSearch 达到最佳表现，对强基线 Item F1 高 5.11%–17.50%，运行时间减少 45.8%。并行收益依赖任务可分解性与聚合质量；不同后端成本也影响复现。
Semantic Representation for Agentic Self-Play in Automated Laboratories
作者：Yves Delley、John Coller、Zachary Cutts 等。仅依据摘要。VERID 为自动化实验室建立持久语义数字孪生，提供状态查询、时间压缩模拟、实验记录和安全执行接口；三项验证使用染料与去离子水混合实验，展示预先发现协议错误、运行中恢复和事后识别物理故障。证据目前是基础液体操作案例，不能据此推断复杂生物实验已可自主完成。
When Agents Fail: Model or Harness—Who’s to Blame?
作者：Shao Zhang、Hangfan Zhang、Yuanyuan Shi 等。仅依据摘要。研究智能体成绩如何由模型与执行框架共同决定，提出有效完成率、模型-框架匹配、跨模型匹配、交互残差和 token 消耗等指标；评测 4 个通用框架、4 个模型及 6 项基准，共 111 种设置、52,168 条轨迹。作者报告框架排序随模型和任务变化。评测结论依赖具体软件版本、工具配置与快照。
TGR-EvoDAG: A DAG-based Multi-Agent Code Evolution Framework for Generative Recommendation on Tencent
作者：Junlin He、Junzhang Zhu、Yudong Li 等。全文核读。TGR-EvoDAG 用有向无环图组织多分支代码演化，并把上游方案对下游阶段的影响和 GPU 预算纳入推荐系统搜索。作者在公开 Amazon Office 数据与腾讯线上实验报告离线和在线提升，线上 14 天、5% 流量、超过 100 万用户的 CTR 提升 0.40%。线上结果由作者报告，内部数据和实现未公开，独立复现受限。
From Visual Affinity to Learning Credit in Multimodal Reinforcement Learning
作者：Yuhang Han、Dingning Liu、Yujie Chen 等。全文核读。提出 OVC，把视觉内容与提示上下文的相对关联和结果条件化的 token 级学习信用拆开，减少视觉 token 与后续推理共享同一优势值带来的错误更新。作者报告三组模型的四基准平均分较 GSPO 高约 1.86–2.39 点。训练加入额外统计前向，仍需结合算力、基准固定性和真实交互任务评估。
Financial Context-Rich Strategy for Actor-Critic based Agents: A Deep Reinforcement Learning Approach for Stock Trading
作者：Hrishikesh Singh、Aarti Sharma、Millie Pant。仅依据摘要。【跨主题 AI/金融】把情绪、政治与宏观事件等外部信息纳入演员-评论家式股票交易强化学习策略。摘要将其定位为用丰富金融上下文改善交易决策，但本次未选作全文重点，摘要未提供足以核验的样本外、交易成本或可交易净收益数字；详细的金融风险边界见金融简报对应条目。