统计日期 2026-11-13·本期 10 篇·问题与新思路速读
统计范围：北京时间 2026-11-13 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 10 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
这组论文共同关注智能体如何获得超越静态语言模型的任务能力，并在工具、记忆、环境变化与安全边界下保持可靠。方法上，一方面以多智能体分工、工具核验、程序演化、动态路由和取证访问补足执行机制；另一方面通过可注入错误、动态世界、口试流程和真实事故区分表面能力与可靠性，并关注模型选择、证据获取、记忆设计及写入约束等关键瓶颈。
逐篇看：问题与新思路
01. 用可定位错误审计模型同行评审
原文：Auditing AI peer reviewers: a benchmark on real scientific papers
要解决的问题： 模型同行评审已被广泛使用，但现有评测难以按错误类型和严重程度衡量发现能力，也难区分真实纠错与对干净稿件的误报，因而难以判断模型和脚手架各自的贡献。
新颖的想法： 作者在真实论文中分四类、三个严重度注入可客观定位的错误，以检测率和干净稿误报率评测12种评审系统；另提出Skepthical，由多智能体检索被引论文、用计算机代数核验数学并执行代码核对数值，同时发布评测流程、注入错误与裁定记录。
入选线索： 作者在 arXiv 标注发表/录用信息：Accepted at NeurIPS 2026；作者机构原文包含：University of Cambridge
02. 生物基础模型的知识边界综述
原文：AI for Biologists: The Knowledge Boundaries of Foundation Models in the Age of Agentic Systems
要解决的问题： 生物基础模型与代理系统已能预测结构、突变效应和细胞响应，但模型输出随输入、任务和条件而变，研究者与代理难以判断何时可以信任，也缺少一致的能力边界描述。
新颖的想法： 这是一篇综述。作者把模型的可靠范围界定为“知识边界”，并提出由数据、架构、训练方案、评估方案和后分析五个设计要素共同刻画；文章汇总现有模型的成败证据，并建议用标准化方式描述其局限，供研究者及代理判断是否使用。
入选线索： 作者在 arXiv 标注发表/录用信息：To be published on Annual Review Biomedical Data Science
03. 让流式视频模型主动发起交互
原文：AURA 2.0: From User-Driven Responses to Model-Initiated Conversations in Streaming Video
要解决的问题： 多数视频助手只在用户提问后响应，会错过流中值得讨论的事件；而调用工具、对齐用户标注对象并维持长视频上下文，也要求模型利用当前视觉和对话状态主动协调交互。
新颖的想法： AURA 2.0加入模型发起对话，让系统识别值得讨论的话题并择时开口；流感知工具调用依据当前画面与对话上下文取用外部信息，交互式视觉定位则在用户输入和模型输出中绑定帧级对象与区域。作者还构建专用流式交互数据，以三阶段训练整合这些行为，并用长时程交互记忆保持连续性。
入选线索： 作者机构原文包含：HKUST
04. 区分决策模型的行动裁判与教师角色
原文：Actor, Judge, or Teacher? Understanding Decision Models in Long-Horizon Agents
要解决的问题： 既有工作多把决策模型当作行动者来评估，未回答“行动能力差的模型能否教会策略”；长程任务还需要区分选择动作、事后评估动作和用强化学习教授策略三种用途。
新颖的想法： 作者将决策模型分别置于演员与裁判角色，在完整轨迹上比较其是否识别通向必要子目标的步骤，并改用“该动作是否有帮助”而非“任务最终是否成功”来辨别贡献；随后以JEV作为教师，在两个环境中为强化学习策略提供指导，检验不擅长行动的模型能否利用事后后果进行教学。
入选线索： 作者机构原文包含：Zhejiang University；摘要或评论提供代码、模型或数据链接线索
05. 双智能体拆分对话式口试
原文：Scalable Conversational Assessment: Chat-Based Exams with a Two-Agent LLM Pipeline
要解决的问题： 口试能追问论证过程，却难以规模化；让同一模型既提问又掌握评分目标，容易泄露答案或把提示注入、编造等对抗行为误当成真实能力。
新颖的想法： 作者采用双智能体管线：面试者只与学生对话并接收下一问的提示，隐藏评估者掌握全局目标、按量规跟踪进展并决定追问或推进。评估先用不同能力与对抗策略的模拟学生，并采用虚构题目隔离预训练知识，再在课程中使用人工与事后审查检查追问质量和贡献归属。
06. 用程序演化搜索智能体记忆设计
原文：Discovering Effective Agent Memory Designs through Program Evolution
要解决的问题： 智能体记忆通常依赖人工设定，但原始对话与抽取记忆的保留方式、检索后如何组合证据都会显著影响问答；构建记忆与查询时处理的计算分配也缺少系统搜索方法。
新颖的想法： MAPE把记忆程序作为可演化对象，从最小种子出发，经统一生命周期接口和“诊断—提议”循环寻找整体设计。实验归纳出两项模式：保留原始对话作为可检索证据以补足抽取遗漏，并按查询意图组合证据；作者还将组合模块移植到既有系统，并显示把服务成本纳入目标会改变计算从记忆构建转向查询时选择处理。
入选线索： 摘要或评论提供代码、模型或数据链接线索
07. 在持续演化地理世界中评测智能体
原文：LiveGeo: Benchmarking Geographic Agents in Continuously Evolving Worlds
要解决的问题： 现有地理智能体评测多基于固定地理状态，难以检验环境随时间变化时，旧证据是否仍有效以及计划能否及时修订；静态任务表现好也不等于动态环境可靠。
新颖的想法： 作者构建可控且持续演化的GeoWorld，以真实地理结构为底，并保留可核验状态历史；LiveGeo据此设置任务，要求智能体主动获取任务信息、复核既有决策依据，并在世界变化后修正计划。基准与平台共同发布，用于定位从证据到决策的动态失效。
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. 数据库调试智能体需要取证访问层
原文：Where LLM Agents Get Stuck Debugging Databases: Access More Than Reasoning
要解决的问题： 对运行中数据库做故障诊断时，智能体可能缺少锁视图、完整死锁报告、只读执行和环境上下文，因而把并发根因误判并反复部署验证；观察显示误判与可见证据一致，问题不只在推理。
新颖的想法： 作者基于一个编程智能体诊断8起生产事故的观察，区分信息访问缺口与推理错误，并提出尚待实现的取证层：在现有安全控制内组合安全查询接口、锁与死锁飞行记录器及生产重放工具，让智能体获得核验并发假设所需的运行时证据。
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. 从工具模式直接约束智能体写入
要解决的问题： CaMeL、Progent等执行式防御让智能体模型自行编写策略、依赖图或约束，再由代码执行；但小模型生成的安全产物易被攻击，部分程序还无法运行。
新颖的想法： CapLite不依赖模型编写安全产物，而从工具模式推导策略；在读取任何工具结果前先提交写调用，并且只有当决定接收者、金额、对象或目标的所有参数都由用户请求明确给出时才允许写入。作者据此主张写完整性边界，并用多种开放模型及受攻击评测检验策略执行与任务效用。
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. 在线路由并个性化改造智能体技能
原文：Skill Adapter: Personalized Modification and Online Routing of General-Purpose Skills
要解决的问题： 通用技能难以覆盖用户特定工具选择、操作习惯和输出要求；长程任务中子目标、输入与环境状态持续变化，智能体还需预加载后续技能并在条件明确后复核适用性。
新颖的想法： Skill Adapter从用户要求和执行反馈中提炼局部调整，作为与通用技能关联的适配器；路由智能体依据当前子目标、进度和环境反馈选择技能及适配器，增量维护供主模型按需读取的任务级技能库，同时预加载候选并在实际输入确定后重检适用性。两类决策分别由修改收益和路由结果进行强化学习优化。
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：2026.11.14 08:16（北京时间）。本方向共 10 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。
