统计日期 2026-10-22·本期 10 篇·问题与新思路速读
统计范围：北京时间 2026-10-22 00:00–24:00首次提交、截至检索时已公开并被 arXiv 编目的匹配论文。完整取得 11 篇候选，本期收录 10 篇。
阅读依据：论文标题、摘要与可核对元数据。下文是摘要速读，未逐篇全文审阅或独立复现。
昨日研究概览
本组论文共同审视智能体从推理、协作到环境执行与评测的可靠性瓶颈：文本中间推理会忽略视觉证据，心智状态难以表达不确定性，长程行动易受变化与安全问题影响，文档摄取也可能静默丢失格式语义。值得关注的新思路包括把图表和连续潜变量纳入推理，以谱系归因优化工具框架，并在成对P与NP完备题、动态交互环境、私有测试集和封存数据上评测能力；此外还提出无需运行目标智能体的行为坐标。
逐篇看：问题与新思路
01. 让图表成为数据智能体的认知动作
原文：Charts as Epistemic Actions for Experience-Driven Agentic Data Analysis
要解决的问题： 基于ReAct的数据智能体虽能完成复杂分析，但中间推理几乎全用文本，容易遗漏趋势与异常；即使开放绘图能力，智能体仍可能不使用图表，形成“可读而不用”的瓶颈。
新颖的想法： 作者用200个受控任务和四种匹配接口定位图表使用缺口，再从条件化轨迹rollout中蒸馏两类经验：一类指导分析操作的选择与核验，另一类决定调用文本、图表或二者。轨迹裁判对结果打分并标注中间步骤，验证门仅接纳能提升留出集表现的经验，从而在不改模型参数的情况下引导图表使用。
入选线索： 作者机构原文包含：Tencent
02. 用同表面对照检验复杂度理解
要解决的问题： 现有复杂度基准往往固定题面或忽略P与NP完备的类别边界，无法区分真实推理与教材措辞记忆；直接比较不同题目还会混入表述和熟悉度影响。
新颖的想法： 作者构造P2NPCBench，为12个问题族配对表面相同但结构细节有别的P与NP完备题，并以AgentGAN反复改写，直到一组冻结代码模型失败；同时用可执行有效性门检查答案与复杂度类别不变，并以人工核验的参考求解器支撑后续成对评测。
入选线索： 摘要或评论提供代码、模型或数据链接线索
03. 用连续潜变量刻画伙伴心智
原文：ToM2Vec: Continuous Theory-of-Mind Tokens for Multi-Agent Coordination
要解决的问题： 多智能体协作需要在不确定下推断伙伴的信念、欲望与可能行动，但大模型在原生文本空间中更擅长描述单一确定状态，难以同时保留多种伙伴状态并据此协调。
新颖的想法： ToM2Vec以固定预算的连续推理token在潜空间中抽象伙伴心智，训练时用伙伴真实思维监督这些token；测试时，各智能体生成ToM token，并以其条件化自身后续思维和动作，从而支持对多种伙伴状态的推断与协作。
入选线索： 摘要或评论提供代码、模型或数据链接线索
04. 物理社会环境中的长程具身评测
要解决的问题： 现有具身智能体多面向预设目标，或把执行抽象成符号动作，难以在物理约束、具身NPC与人类需求共同变化时，检验长程适应、意图理解和执行安全。
新颖的想法： TARSphere在物理模拟器中运行机器人策略、具身NPC和受限对话，以事件驱动FSM根据已完成动作和已传达信息更新任务状态；Harness让冻结MLLM通过多级可执行技能，结合观察、分层记忆和执行反馈修订决策。其任务语义、因果依赖与场景几何对齐流程还用于构建长程评测基准。
入选线索： 摘要或评论提供代码、模型或数据链接线索
05. 让模型互编环境并对战解题
原文：Environment Duels: A Microcosm of LLM Co-Evolution
要解决的问题： 模型会通过彼此生成的训练环境与数据相互影响，但静态基准难以同时刻画模型的环境创作与问题求解能力，也难检验环境、提示和训练收益之间的动态关系。
新颖的想法： Environment Duels让每个模型编写带特权提示的交互环境，以任务在无提示时失败、有提示时通过作为设计目标，再让模型结对求解。作者据此比较创作与解题能力及独立设计的一致性，并通过强化学习实验考察提示带来的解题增益与环境训练后迁移提升之间的对应关系。
入选线索： 摘要或评论提供代码、模型或数据链接线索
06. 在代码仓中迭代补全论文贡献
原文：FrontierCS 2: A Benchmark for Computer Science R&D
要解决的问题： 现有开放式计算机科学基准通常只给出问题说明，并在运行后评定单个程序，无法考察智能体能否在工作代码仓中诊断、修改并逐步恢复被删除的研究贡献。
新颖的想法： FrontierCS 2从论文及作者发布的代码中删除核心贡献，把原实现作为私有参考，并让智能体继承可运行仓库、随时提交补丁。开发套件提供阶段反馈，最终套件、评测器和参考实现保持私有；任务覆盖13个领域，并以最终私有套件相对参考实现的表现在各指标和工作负载上验收。
入选线索： 摘要或评论提供代码、模型或数据链接线索
07. 封存未来数据检验量化研究闭环
原文：Quant-Arena: Benchmarking LLM Agents for Quantitative Trading Research
要解决的问题： 量化研究需要提出市场假设、实现信号、历史回测并决定保留策略；只评公式、代码或单次交易决策的基准，无法检验智能体能否完成整个闭环并在研究期外获得有效表现。
新颖的想法： Quant-Arena让模型基于真实A股数据构造特征和选股代码，只能利用2022—2023年的反馈迭代，随后冻结单一策略，在密封的2024年数据上接受现金账户评测。评测器计入交易限制、成本及由模拟订单簿估计的市场冲击，并结合已实现超额收益、信号质量和特征多样性评分。
入选线索： 按方向匹配及摘要中的方法贡献线索入选；发表和机构权威线索未核实
08. 谱系诊断引导规划智能体框架优化
原文：HGM-Dual: Lineage-Aware Guided Agent Harness Optimization for Long-Horizon Planning
要解决的问题： 递归自改进方法通常假设智能体具备改进自身所需能力，但规划任务要求一组工具调用共同满足交互约束，开放式修改易反复探索无效方案并消耗大量评测预算。
新颖的想法： HGM-Dual把演化历史组织为带谱系的上下文，记录各祖先的改动、行为改善或退化及无效尝试，供编辑器进行编辑—结果归因；再针对父代最突出的约束违规，同时生成保留开放探索的通用子代和定向修改相关工具、提示或工作流组件的专用子代，以提高预算效率。
入选线索： 按方向匹配及摘要中的方法贡献线索入选；发表和机构权威线索未核实
09. 文档摄取悄然丢失格式线索
原文：What the Author Wrote, What the Agent Reads: Silent Cue Loss in Enterprise Document Ingestion
要解决的问题： Word和PDF进入智能体前需经转换器切分为token，但主流工具会丢失作者用高亮、颜色等排版表达的重点要求；现有解析评测又很少覆盖这些线索，使智能体在政策与合规问答中悄然误判。
新颖的想法： 作者用76份真实政策文档建立要求恢复任务，以文件自身OOXML属性作为确定性标签，比较不同转换方式、回答模型及PDF路径；再通过跨度级留一分析和页面图像独立验证，定位高亮与颜色损失，并预注册检验显式键入线索能否弥补仅保留线索的不足。该研究诊断的是摄取层，而非新增推理模型。
入选线索： 按方向匹配及摘要中的方法贡献线索入选；发表和机构权威线索未核实
10. 无需运行目标智能体的行为地图
原文：Agent Behavior Maps: Locating Agents by What They Would Do, Without Running Them
要解决的问题： 成功率相近的智能体可能采取完全不同的行动序列，而直接比较行为通常要在目标环境中重新运行，成本高；单一成功率也无法揭示模型与工具框架组合的行为差异。
新颖的想法： Agent Behavior Map依据共享参考轨迹上的中心化动作对数似然，为模型—工具框架组合建立坐标，无需运行待测智能体。作者在明确假设下推导坐标距离与轨迹KL的误差界，并以交叉评分、100个LLM和四类环境检验距离排序、性能预测及框架组件位移的近似组合性。
入选线索： 按方向匹配及摘要中的方法贡献线索入选；发表和机构权威线索未核实
来源、筛选与阅读边界
Top 10 是可解释的阅读优先级，不是公认学术权威排名。排序参考作者标注的发表/录用信息、作者区的机构原文、研究发布和开源线索，再结合方向与方法贡献线索；未提供的依据不从作者姓名或模型常识推断。arXiv 元数据中的录用信息仍是作者标注，不等于本站独立核实了会议录用。
同一论文可以属于多个研究方向；每个方向内部按基础论文 ID 去重，版本更新不另算新论文。候选按首次提交时间筛选，不把旧论文的新版本当作昨天新论文。超过十篇时筛选十篇，不足十篇按实际数量收录。
检索截至：2026.10.23 08:16（北京时间）。本方向共 11 篇候选，本期收录 10 篇。
查询记录：第 1 页。
本文由 AI 研究助手整理并进行来源审校。新颖性为作者的贡献主张，摘要可能省略关键条件；涉及采用、复现或投资决策时，请继续阅读原文。arXiv 收录不代表已经通过同行评审。
有 AI 项目想法？一起聊聊。
欢迎交流实践、寻找伙伴，或聊聊你的项目需求。
