每日 AI 论文简报（2026-11-05）
重点关注
AgenticFinBench: Benchmarking Financial Agents on Diverse Tasks from Real-World Requests
论文： 2611.04813。作者： Shu Zhou、Ziyang He、Yuxin Rao、Yudong Fang、Jiali Qian、Dongyuan Chen、Juntao Zhang、Yong Hu。来源与分类： arXiv 预印本；cs.AI。主题： AI/金融双主题。全文状态： 已核读公开 PDF。
- 核心问题： 金融智能体的开放式回答没有唯一标准答案，怎样同时检查回答质量、证据是否来自智能体轨迹，以及关键事实是否被外部证据反驳？
- 方法与比较： 构造 230 个来自真实请求的任务，覆盖 8 类需求、两种语言和四级复杂度；使用问题专属评分量表和两阶段 claim audit，分别检查回答是否有轨迹依据、以及事实是否被外部证据支持或反驳。在 18 种模型与智能体框架组合上比较，并用专家标注核对评判。
- 作者报告的结果： 加入幻觉审计后，基线评分最高者下降 7.58 分、由第一降至第四；不同 harness 对证据落地的差异解释度为 28.6%，模型差异为 8.8%；任务从直接检索升至最高复杂度时，质量分由 89.44 降至 79.18。
- 新意与证据边界： 将“有引用/轨迹”与“事实正确”分开衡量，并显示仅看总分会改变系统排序。任务经筛选、匿名化和专家审查，但作者明确指出它不是生产请求的概率样本；结果也受所测模型、harness 和评分框架限制，不能直接外推为金融工作中的真实错误率。
- 适合谁读： 金融问答、深度研究智能体和模型风险评估团队。建议先看任务构造、claim audit 评分，再看 18 种配置的结果与错误案例。
HARP: Training-Free Dual-Profile Agentic Communication for LLM-Based Recommendation
论文： 2611.05319。作者： Zhen Tao、Xun Zhou、Xuhui Chen、Ziyue Qiao、Qingqiang Sun。来源与分类： arXiv 预印本；cs.IR、cs.AI。全文状态： 已核读公开 PDF。
- 核心问题： 记忆增强推荐通常只给用户建档，物品没有对称画像，画像只在有限上下文的重排阶段使用，而且用户偏好在初始阶段后被冻结；这些设计是否限制了推荐质量？
- 方法与基线： HARP 在冻结的 LLM 推荐骨干上加入双侧用户/物品画像、检索阶段的画像同质性门控，以及依据交互反馈的单次反思更新；无需梯度训练。作者在 Yelp、Books、MovieTV、Goodreads 四个公开数据集上，与最强已发表记忆增强基线 MemRec 比较，并做组件消融和逐例归因。
- 作者报告的结果： Hit@1 相对 MemRec 提升 6.9%–24.0%，四个数据集的 Holm 校正检验均 p<1e-9；提升在 Yelp 最大。消融将主要增益归于检索侧画像门控，反思更新则带来额外收益和个别退化。
- 新意与证据边界： 把用户和物品都视作可沟通、可更新的画像端点，且把画像信号移到检索环节。证据来自四个离线公开基准和既定候选集，不等同于线上点击、长期满意度或新物品冷启动表现；反思更新有推理成本，论文也报告了可能的负向个案。
- 适合谁读： 个性化推荐、LLM 智能体记忆和检索工程团队。建议读 BUILD–TRANSMIT–UNDERSTAND–SYNC 设计、四数据集对比、消融和逐例失败分析。
Voluntary Servitude: Weaponized Safety Warning Mechanisms for Controlling AI Agents
论文： 2611.04393。作者： Ilan Zendel、Matan Levy、Stav Cohen、Avi Mendelson、Amit LeVi。来源与分类： arXiv 预印本；cs.CR、cs.AI、cs.CL、cs.LG。全文状态： 已核读公开 PDF。
- 核心问题： 如果恶意网页不下达指令，而是假装普通用户评论、捏造安全风险，智能体会不会因自身的避险机制而排除正常选项、替攻击者完成选择？
- 方法与基线： 作者在六个模型、十类消费服务和三种攻击族中，比较普通安全警告与传统指令注入，并测量检索器端到端成功率；随后以要求“危险说法需独立来源佐证”的提示指令作为免训练防护，对照同一批页面和问题。
- 作者报告的结果： 捏造危险信息的攻击诱导率为 60.4%，接近指令注入的 66.0%；注入检测器往往把它当正常内容，在过滤器后其效果高出 1.7–4.4 倍。加入佐证要求后，对非自适应攻击者的暴露约下降 95%；一组消费服务测试的成功率由 68.4% 降至 3.6%。
- 新意与证据边界： 攻击利用的是“内容看起来可信且危险”的语义，而不是可被规则识别的命令字符串。实验集中在旅游等消费服务的单次选择，防护主要对非自适应攻击者验证；不代表所有生产浏览器智能体的实际受攻击概率，攻击者适应后效果未知。
- 适合谁读： 浏览器智能体、检索增强系统和间接提示注入防护研究者。建议读威胁模型、跨模型攻击对照、生产浏览器迁移实验和佐证防护部分。
Aero-VPA: Few-Step Flow-Matching Control over Non-Reconstructive JEPA Latents for Agile Flight on Edge Hardware
论文： 2611.04392。作者： Yeonseok Lee。来源与分类： arXiv 预印本；cs.LO、cs.LG、cs.RO。全文状态： 已核读公开 PDF。
- 核心问题： 自回归视觉—语言—动作模型在边缘设备上逐步生成动作过慢；少步潜状态预测和安全屏蔽能否改善无人机闭环导航，同时显式暴露失败模式？
- 方法与基线： Aero-VPA 用 RGB-D 视觉编码器和五头预测器预估下一潜状态，再以两步 Conditional Flow Matching 产生速度/偏航动作，每次决策需五次串行网络评估；不重建像素，并用预测分歧触发不确定性回退。评估为 PX4 软件在环森林仿真，对比行为克隆、DAgger 检查点以及有无无地图运行时安全屏蔽。
- 作者报告的结果： 首个 DAgger 检查点在 180 组配对任务中，加入安全屏蔽后成功率由 21.1% 升至 52.2%（95% CI 45.0%–59.4%），碰撞率由 72.2% 降至 22.2%；超时率则由 2.8% 升至 23.3%。六个检查点成功率都增加 30.0–34.4 个百分点。
- 新意与证据边界： 结果修正了早期版本“只给架构、没有闭环结果”的不足，也揭示安全屏蔽把部分碰撞转成了超时，而非消除失败。所有结果来自仿真，屏蔽后仍有 22.2%–42.8% 任务以碰撞结束；尚未证明真实硬件的延迟、状态估计漂移和安全性。
- 适合谁读： 边缘机器人控制、VLA 推理效率与安全过滤器工程团队。建议读方法中的潜状态预测和运行时屏蔽、六检查点配对实验及局限章节。
摘要页 · PDF · arXiv DOI · 代码 · 模型权重
El Agente Fármaco: A Scalable AI Scientist for Drug Discovery
论文： 2611.03832。作者： Marcel Müller、Mohammad Ghazi Vakili、Yoshihiro Ogura、Ella Ashoori、Shimeng Wang、Alessandro S. Nascimento、Eddie Calleja、Yutong Zhao、Yimeng Liu、Ella Miray Rajaonson、Aiwei Yin、Jiaru Bai、Yunheng Zou、Abraham C. Stern、Varinia Bernales、Alán Aspuru-Guzik。来源与分类： arXiv 预印本；cs.AI、cs.MA、q-bio.BM。全文状态： 已核读公开 PDF。
- 核心问题： 如何让研究者用自然语言发起可扩展的分子筛选，同时让智能体复用工具结果、保留来源和过程，避免每个化合物都重新调用 LLM 决策？
- 方法与基线： 系统由工具编排 harness 和共享科学记忆 Fármaco Atlas 组成，将分子、结构、计算结果和来源记录入库，再按需检索证据；整合分子生成、结合/性质预测和可购化合物查询。论文包含专家主导项目的回顾性比较、22 项任务基准及多个计算案例，并与直接工具调用和 Codex 比较。
- 作者报告的结果： 在回顾性比较中，系统提出了化学结构有差异、对接分数有竞争力且按预设标准计算的类药性更高的候选物；22 项基准中，作者报告其模型评审平均分最高，同时中位累计 token 用量和峰值上下文较低。
- 新意与证据边界： 持久、带 provenance 的结构化记忆使整批化合物可以被工具批处理，便于检查计算步骤。候选物筛选和 docking/计算类药性是早期计算代理指标，不是湿实验验证或临床疗效；22 项任务数量有限，模型评审分数也依赖所用评审器与工具能力。
- 适合谁读： AI for Science、计算化学工作流和智能体记忆系统开发者。建议读 Atlas 数据结构、工具执行/来源追踪、22 项基准表和 AmpC 案例中的工具边界。
摘要页 · PDF · arXiv DOI · 代码与实验产物
AI 论文
RecoAtlas: A Benchmark and RL Environment for LLM Recommendation Agents Optimizing Set-Level Utility
arXiv： 2605.18805。作者： Imad Aouali、Flavian Vasile、Clijo Jose、Otmane Sakhi、Alexandre Gilotte、Benjamin Heymann。来源与分类： arXiv 预印本；cs.IR、cs.AI、cs.LG。
仅依据摘要。 RecoAtlas 针对推荐智能体生成一组互补商品并附自然语言解释的任务，提供检索、互补性和多样性工具，以及基于用户行为的参考集合与 bundle 级学习奖励，用于精确恢复评估和强化学习。作者摘要报告，模型规模、测试时计算量和工具强度增加时表现也提高，但语义上说得通不必然意味着行为效用高。它将“整组建议是否满足用户”纳入评测；摘要未给具体数值、基线表和用户行为数据的外推范围。
AgenticFinBench: Benchmarking Financial Agents on Diverse Tasks from Real-World Requests
arXiv： 2611.04813。作者： Shu Zhou、Ziyang He、Yuxin Rao、Yudong Fang、Jiali Qian、Dongyuan Chen、Juntao Zhang、Yong Hu。来源与分类： arXiv 预印本；cs.AI。主题： AI/金融双主题。
重点已详述，全文已核读。 这项评测关注金融智能体回答中证据落地和事实核验的分离；全文结果与边界见上文。
YANAMI: A Large-Scale Multimodal Dataset and Benchmark for Multiturn Stateful Interaction
arXiv： 2611.05280。作者： Shengyu Wang、Tengyue Nong、Junming Liu、Haosong Peng、Siyu Li、Ruiqi Lei、Fushuo Huo、Yuhao Pan、Yunfeng Fan、Ding Wang、Nan Cheng、Haozhao Wang、Wenchao Xu。来源与分类： arXiv 预印本；cs.CV。
仅依据摘要。 YANAMI 面向多轮多模态对话中信息持续保留、更新并落实到图像输出的问题，包含 40 万段对话、超过 200 万张图片和 260 万轮对话，以及 400 段评测对话。作者摘要报告，在 BAGEL 上微调后，图像编辑、生成和多模态状态交互分别提升 10.3%、2.0% 和 13.23%，但现有统一多模态模型仍难持续追踪和呈现对话状态。数据规模和理解/视觉实现分开评估值得关注；本轮 PDF 因体积过大无法解析，未核对具体基线、数据构建和污染控制，以上仅据摘要。
HARP: Training-Free Dual-Profile Agentic Communication for LLM-Based Recommendation
arXiv： 2611.05319。作者： Zhen Tao、Xun Zhou、Xuhui Chen、Ziyue Qiao、Qingqiang Sun。来源与分类： arXiv 预印本；cs.IR、cs.AI。
重点已详述，全文已核读。 论文报告四个离线公开推荐基准上的 Hit@1 提升，并用消融定位主要收益来自检索侧画像门控；边界与负例见上文。
OperAItor: An Agentic Framework for Fault-Tolerant Operation of Chemical Processes
arXiv： 2611.05179。作者： Javal Vyas、Mehmet Mercangöz。来源与分类： arXiv 预印本；eess.SY、cs.AI、cs.SY。
仅依据摘要。 OperAItor 将监测、故障诊断、知识图谱检索、计划和监督动作接入化工过程智能体，并用反应器—蒸馏塔动态过程的 113 变量模型、4 个 LLM、20 个单故障与复合故障情景评估 5 种动作校验方案。作者报告，在其假定经济参数下，无干预会令 20 个场景中 18 个停机、损失约 39.9 万美元；经验证的配置将停机减至 5–8 次、挽回约 26.5 万美元。数字来自仿真模型和假设经济学，不代表工厂现场收益或真实安全验证；摘要没有提供代码直达地址。
LLMs as MDP Designers: A Dependency-Aware Agentic Framework for Automated Robot Policy Generation
arXiv： 2611.04974。作者： Hong Je-Gal、Jinwoo Kim、Chanbin Yi、Hyun-Suk Lee。来源与分类： arXiv 预印本；cs.RO、cs.AI。
仅依据摘要。 ARPG 把 LLM 用作部署前的策略设计者，按依赖顺序构建 MDP，再模块化实现模拟器，并逐步校验状态、动作、奖励和终止条件是否语义一致。作者摘要报告，Isaac Sim 实验中其在建模正确性、环境可执行性和策略生成成功率上胜过单体 LLM 和现成智能体基线，并展示机器人、标准 RL 与工程任务迁移。它针对“代码能运行但策略学不出来”的失败模式；摘要未披露样本量、效应数字、模型与算力配置，外部验证仍需看全文。
When Is Fresh AI Stock Analysis Worth It? Allocating a Limited Research Budget Across Price Updates, Deep Forecast Refreshes, and Editorial Reviews of Top Stock Picks
arXiv： 2611.04348。作者： Russlan Ramdowar。来源与分类： arXiv 预印本；cs.MA。主题： AI/金融双主题。
仅依据摘要。 研究用 8,120 份生产报告覆盖 203 只股票，比较沿用并重定价旧报告、机械更新目标、重新生成多智能体报告等十种配置。作者报告，在两个模型未变窗口中，计入模型化交易成本和算力费后，复用策略平均收益 2.25%、SPY 为 1.66%、新报告为 4.77%；把首个持有期拉长至近半年，复用策略转为 -11.26%，新报告为 9.12%，SPY 为 3.46%。它提示研究更新频率与“观点半衰期”可能重要；摘要未充分说明样本外隔离、选择窗口和交易执行假设，短期组合回测不等于可复制实盘结果或投资建议。
Language Model Augmented Decision Transformer for Multi-Task Offline Reinforcement Learning
arXiv： 2611.04031。作者： Xinbo Zhao、Yuhang Liu、Xin Zhang、Lei Le、Zhaohan Xi、Yu Yang、Yingxue Zhang。来源与分类： arXiv 预印本；cs.CL、cs.LG。
仅依据摘要。 LaMA-DT 用自然语言任务描述引导离线多任务强化学习轨迹增广，再以质量评分筛选轨迹，并将同一 LLM 微调为语言条件 Decision Transformer。作者在 Meta-World 与 MuJoCo 基准上报告其优于竞争基线，尤其在低数据任务中提高跨任务泛化。值得关注的是把数据生成和策略学习统一在序列模型中；摘要没有具体提升幅度、增广错误率、训练开销或基线规模，合成轨迹能否在不同任务分布下保持有效需看全文。
El Agente Fármaco: A Scalable AI Scientist for Drug Discovery
arXiv： 2611.03832。作者： Marcel Müller、Mohammad Ghazi Vakili、Yoshihiro Ogura、Ella Ashoori、Shimeng Wang、Alessandro S. Nascimento、Eddie Calleja、Yutong Zhao、Yimeng Liu、Ella Miray Rajaonson、Aiwei Yin、Jiaru Bai、Yunheng Zou、Abraham C. Stern、Varinia Bernales、Alán Aspuru-Guzik。来源与分类： arXiv 预印本；cs.AI、cs.MA、q-bio.BM。
重点已详述，全文已核读。 Fármaco Atlas 把计算化学工具结果与来源持久化，使研究者能检查从目标到候选物的筛选链；作者报告的比较、效率指标与计算证据限制见上文。
摘要页 · PDF · arXiv DOI · 代码与实验产物
Towards Error-Free EHRs: Reasoning-Intensive Consistency Verification Between Clinical Notes and Structured Tables in Electronic Health Records
arXiv： 2605.26463。作者： Yeonsu Kwon、Jiho Kim、Junseong Choi、Paloma Rabaey、Minseo Kim、Sujeong Im、Jeewon Yang、Jun-Min Lee、Sangji Lee、Jiwon Kim、Hangyul Yoon、Hyunwook Kwon、Edward Choi。来源与分类： arXiv 预印本；cs.CL、cs.AI。
仅依据摘要。 EHR-ReasonCon 用 MIMIC-III 病历构建 8,042 个实体级的笔记—表格一致性基准；EHR-INSPECTOR 将临床记录分段、抽取实体和时间线索，再调用表格浏览工具查验。作者报告，在严格和宽松的专家验证 LLM 判分标准下，多种骨干模型达到摘要所称的当前最佳结果。它把时间变化和临床推断纳入一致性检查；摘要未给精确分数和人工复核规模，MIMIC-III 上的结果不能直接视作临床安全证明。
摘要页 · PDF · arXiv DOI · 代码与数据集
COCOTree: A Dataset and Benchmark for Open Tree-Structured Visual Decomposition
arXiv： 2605.22068。作者： Junhyub Lee、Seunghun Chae、Hyosu Kim。来源与分类： arXiv 预印本；cs.CV。
仅依据摘要。 COCOTree 针对图像中的开放词汇、层级化部件分解，使用视觉语言模型生成语义标注，再由 SAM 3 提供几何定位；数据集含 2.1 万余张图、180 万结构节点和 3,500 余种标签，提出同时衡量掩码、标签和结构一致性的 OTQ 指标。作者报告人工评估与人类结构判断较一致，并公开数据与代码。自动标注可扩规模，但标签质量、长尾类别覆盖及 OTQ 与下游任务效用的关系需要全文核验。
PATTS: Parallel-Aware Test-Time Scaling for Thought-Image Generation in Multimodal Discrete Diffusion LLMs
arXiv： 2611.04948。作者： Yasong Dai、Zeeshan Hayder、David Ahmedt-Aristizabal、Hongdong Li。来源与分类： arXiv 预印本；cs.CV。
仅依据摘要。 PATTS 面向并行多模态离散扩散模型，在生成过程中搜索中间“思考—图像”状态，以轨迹可靠性调节外部语义验证信号。固定 N=32 的 MMaDA-Parallel/GenEval 评测中，作者报告分数 0.844，高于无测试时扩展的 0.628、Best-of-N 的 0.787 和 FKD 的 0.810。贡献在于验证不只看最终图像；结果限于一个模型框架、一个基准和固定搜索预算，摘要未说明不同计算预算下的性价比与人工盲评。代码已公开。
NightIQA: A Comprehensive Dataset and Benchmark for MLLM-Based Nighttime Image Quality Assessment
arXiv： 2611.04811。作者： Yiding Tian、Jiaojiao Yi、Jiayuan Lu、Pufan Xu、Jinlin Wu、Changyuan Wen、Hongyuan Yu。来源与分类： arXiv 预印本；cs.CV。
仅依据摘要。 NightIQA 包含 1,769 张实拍夜景图、1,078 道多层次视觉问答题，以及 8 万张可扩展合成图，针对夜间场景的多种复合退化评估多模态模型。作者报告，使用其数据做 SFT/GRPO 的 Qwen3-VL-8B 超过开源图像质量方法，并在总体准确率上超过所测闭源模型。数据域专门化有价值；摘要未列闭源模型、训练/测试去重、指标和标注一致性，需核实公平比较与潜在数据重叠。
τ-Rec-Books: A Disclosure-Controlled Benchmark for Requirement Elicitation in Agentic Recommender Systems
arXiv： 2611.04459。作者： Bharath Sivaram Narasimhan、Karthik R. Narasimhan。来源与分类： arXiv 预印本；cs.IR、cs.AI、cs.CL。
仅依据摘要。 τ-Rec-Books 在 2 万本 Wikidata 图书上构造 450 项需求逐步披露任务，控制用户何时主动说明、何时等待追问、或永不明说，并用规则模拟用户和目录元数据评分，避免 LLM 判分器。作者报告，四种智能体/两种搜索界面在需求隐藏时平均成功率由 0.975 降至 0.283；要求主动提问可把混合披露任务成功率提高到至少 0.931，但隐藏条件仍难于简单热门书基线。它把“先问清楚”变成可测行为；模拟用户和书目范围限制真实用户迁移。
摘要页 · PDF · arXiv DOI · 代码、数据与轨迹
Voluntary Servitude: Weaponized Safety Warning Mechanisms for Controlling AI Agents
arXiv： 2611.04393。作者： Ilan Zendel、Matan Levy、Stav Cohen、Avi Mendelson、Amit LeVi。来源与分类： arXiv 预印本；cs.CR、cs.AI、cs.CL、cs.LG。
重点已详述，全文已核读。 论文展示伪造安全警告可绕过命令式注入检测、驱动智能体主动排除正常选择；攻击测量和防护边界见上文。
Aero-VPA: Few-Step Flow-Matching Control over Non-Reconstructive JEPA Latents for Agile Flight on Edge Hardware
arXiv： 2611.04392。作者： Yeonseok Lee。来源与分类： arXiv 预印本；cs.LO、cs.LG、cs.RO。
重点已详述，全文已核读。 论文在软件在环仿真中报告运行时安全屏蔽提升成功率、减少碰撞但增加超时；硬件部署尚未验证，详细实验见上文。
摘要页 · PDF · arXiv DOI · 代码 · 模型权重
When Debate Amplifies Risk: Social-Bias Vulnerabilities in Multi-Agent Safety Deliberation
arXiv： 2611.04289。作者： Qinghua Mao、Xi Lin、Yuxin Qi、Zihao Xu、Jinze Gu、Yuliang Chen。来源与分类： arXiv 预印本；cs.CR、cs.AI、cs.CY。
仅依据摘要。 SafeConflict-Bias 在固定查询和检索证据的反事实协议中，分离多智能体辩论中的多数压力、权威提示和信心不对称；作者报告，一些标准辩论设置会把不安全建议采纳率从独立模型的 0% 推高至最高 100%。RiskTrace-Debias 通过预先独立判断、遮蔽社会元数据和一致性仲裁，将所测架构的最坏采纳率压到 2% 以下。结果说明群体讨论并不自动提升安全性；摘要未交代样本规模、攻击条件覆盖和判定者独立性，不能将极值当成生产系统发生率。
GlucoAgent: Personalized Glucose Forecasting from Multimodal Personal Context
arXiv： 2611.04126。作者： Xingzhi Sun、Hyo Jin Kim、Zhiyuan Wang、Hao Chen。来源与分类： arXiv 预印本；cs.AI。
仅依据摘要。 GlucoAgent 在每次血糖预测时读取个人连续血糖、手表、饮食日志和健康档案，动态生成并运行检索或统计分析代码。作者在 CGMacros 上报告平均 RMSE 为 22.5 mg/dL，优于 Chronos-2 的 23.5；加多模态上下文后平均误差下降 1.4 mg/dL，而 Chronos-2 下降 0.3，在餐后 60 分钟窗口分别改善 4.6 和 0.8 mg/dL。逐例选择信号可能适应个体差异；摘要未交代独立临床验证、跨设备漂移、代码执行安全和推理成本，不能据此替代医疗判断。