提升代码生成、执行反馈和自动修复能力、提升 RAG 检索和知识库问答可靠性、让 Agent 更可靠地调用工具和复用技能

本期从 2026-06-11 论文源抓取并去重 395 篇候选论文，筛选 6 篇重点论文与 20 篇补充关注。

今天最值得跟进的方向

今天的高分论文主要指向：提升代码生成、执行反馈和自动修复能力、提升 RAG 检索和知识库问答可靠性、让 Agent 更可靠地调用工具和复用技能。下面按核心问题、方法线索、主要论点和关键词整理，便于快速判断后续跟进价值。

重点论文：核心问题、方法线索与关键词

提升代码生成、执行反馈和自动修复能力

A Privacy-Preserving Framework Using Remote Data Science for Inter-Institutional Student Retention Prediction (John Fields, K M Sajjadul Islam, Ruchitha Thota, Victor Chen, Praveen Madiraju) 2606.12845 PDF

核心：这篇论文主要解决提升代码生成、执行反馈和自动修复能力这一方向中的具体研究问题；方法上通过题名、摘要和公开信号中的 serving、code、synthetic data、data 等线索来组织数据工程任务、数据或评测流程实现提升代码生成、执行反馈和自动修复能力；主要论点是标题、摘要和公开信号显示：This study explores privacy-preserving machine learning (PPML) techniques using the PySyft platform to enable collaborative prediction of student retention between institutions。关键词：serving、code、synthetic data、data。代码/数据可用性需查看原文确认。

提升 RAG 检索和知识库问答可靠性

Rigel: Reverse-Engineering the Metal 4.1 Tensor Compute Path on the Apple M4 Max GPU (Ramchand Kumaresan) 2606.12765 PDF

核心：这篇论文主要解决提升 RAG 检索和知识库问答可靠性这一方向中的具体研究问题；方法上通过题名、摘要和公开信号中的 rag、benchmark、code、memory 等线索来组织系统与部署任务、数据或评测流程实现提升 RAG 检索和知识库问答可靠性；主要论点是标题、摘要和公开信号显示：Apple's Metal 4.1 exposes a tensor compute path: the Metal Performance Primitives (MPP) matmul2d operation over cooperative_tensor fragments, whose interface is documented but whose hardware behavior is deliberately hidden。关键词：rag、benchmark、code、memory。代码/数据可用性需查看原文确认。

让 Agent 更可靠地调用工具和复用技能

EurekAgent: Agent Environment Engineering is All You Need For Autonomous Scientific Discovery (Amy Xin, Jiening Siow, Junjie Wang, Zijun Yao, Fanjin Zhang, Jian Song, et al.) 2606.13662 PDF

核心：这篇论文主要解决让 Agent 更可靠地调用工具和复用技能这一方向中的具体研究问题；方法上通过题名、摘要和公开信号中的 agent、workflow、evaluation、code 等线索来组织Agent 与工具调用任务、数据或评测流程实现让 Agent 更可靠地调用工具和复用技能；主要论点是标题、摘要和公开信号显示：LLM-based agents have shown increasing potential in automating scientific discovery。关键词：agent、workflow、evaluation、code。代码/数据可用性需查看原文确认。

让 Agent 更可靠地调用工具和复用技能

AgentBeats: Agentifying Agent Assessment for Openness, Standardization, and Reproducibility (Xiaoyuan Liu, Jianhong Tu, Yuqi Chen, Siyuan Xie, Sihan Ren, Tianneng Shi, et al.) 2606.13608 PDF

核心：这篇论文主要解决让 Agent 更可靠地调用工具和复用技能这一方向中的具体研究问题；方法上通过题名、摘要和公开信号中的 agent、rag、evaluation、benchmark 等线索来组织基准与评测任务、数据或评测流程实现让 Agent 更可靠地调用工具和复用技能；主要论点是标题、摘要和公开信号显示：Agent systems are advancing quickly across domains, but their evaluation remains fragmented。关键词：agent、rag、evaluation、benchmark。代码/数据可用性需查看原文确认。

提升模型推理、规划和验证能力

SPARC: Reliable Spatial Annotations from Robot Demonstrations at Scale (Nils Blank, Paul Mattes, Maximilian Xiling Li, Jakub Suliga, Thomas Roth, Moritz Reuss, et al.) 2606.13497 PDF

核心：这篇论文主要解决提升模型推理、规划和验证能力这一方向中的具体研究问题；方法上通过题名、摘要和公开信号中的 rag、benchmark、code、robotics 等线索来组织机器人与具身智能任务、数据或评测流程实现提升模型推理、规划和验证能力；主要论点是标题、摘要和公开信号显示：This work introduces Spatial Annotations from Robot Demonstrations with Reliability Calibration (SPARC), a risk-aware framework that automatically labels robot demonstrations with structured spatial annotations and assigns each annotation a reliability score。关键词：rag、benchmark、code、robotics。代码/数据可用性需查看原文确认。

让 Agent 更可靠地调用工具和复用技能

Mod-Guide: An LLM-based Content Moderation Feedback System to Address Insensitive Speech toward Indigenous Ethnic and Religious Minority Communities (Dipto Das, Achhiya Sultana, Ankit Singh Chauhan, Saadia Binte Alam, Mohammad Shidujaman, Shion Guha, et al.) 2606.13397 PDF

核心：这篇论文主要解决让 Agent 更可靠地调用工具和复用技能这一方向中的具体研究问题；方法上通过题名、摘要和公开信号中的 rag、retrieval、evaluation、search 等线索来组织检索与 RAG任务、数据或评测流程实现让 Agent 更可靠地调用工具和复用技能；主要论点是标题、摘要和公开信号显示：Language operates as a mechanism of both marginalization and resistance, especially for minority communities navigating insensitive and harmful speech online。关键词：rag、retrieval、evaluation、search。代码/数据可用性需查看原文确认。

其他值得关注

CloudCons: A Comprehensive End-to-End Benchmark for Cloud Resource Consolidation：涉及任务设置、指标和失效案例，可补充模型评测与回归测试。

CQC-RAG: Robust Retrieval-Augmented Generation via Cross-Query Consistency：涉及检索、知识库问答与证据可靠性，可作为 RAG 评测和企业知识系统的补充线索。

MiniMax Sparse Attention：涉及工具调用、执行反馈和可复用能力，可作为 Agent 工作流可靠性的补充线索。

Navigating the Safety-Fidelity Trade-off: Massive-Variate Time Series Forecasting for Power Systems via Probabilistic Scenarios：涉及模型安全、护栏路由、风险分类或治理评测，可作为安全评测与治理工具链的补充线索。

OR-Action: Multi-Role Video Understanding with Fine-Grained Actions：涉及任务设置、指标和失效案例，可补充模型评测与回归测试。

Cross-Modal Masked Compositional Concept Modeling for Enhancing Visio-Linguistic Compositionality：涉及多模态模型中的新任务、数据或系统线索，可作为后续跟进清单的一部分。

Zero-Shot Captioning for Cultural Heritage: Automated Image Analysis of Traditional Indonesian Clothing：涉及检索、知识库问答与证据可靠性，可作为 RAG 评测和企业知识系统的补充线索。

TimeLens: On-Device Artifact Recognition with Retrieval-Augmented Question Answering for the Grand Egyptian Museum：涉及检索、知识库问答与证据可靠性，可作为 RAG 评测和企业知识系统的补充线索。

ReSET: Accurate Latency-Critical NVFP4 Reasoning via Step-Aware Temperature Scaling：涉及推理成本、延迟、吞吐和部署约束，可补充系统优化方向。

PolyAlign: Conditional Human-Distribution Alignment：涉及模型安全、护栏路由、风险分类或治理评测，可作为安全评测与治理工具链的补充线索。

NTS-CoT: Mitigating Hallucinations in LLM-based News Timeline Summarization with Chain-of-Thought Reasoning：涉及任务设置、指标和失效案例，可补充模型评测与回归测试。

Functional Cache Grafting: Robust and Rapid Code-Policy Synthesis for Embodied Agents：涉及工具调用、执行反馈和可复用能力，可作为 Agent 工作流可靠性的补充线索。

sebis at CRF Filling 2026: A Two-Stage Local LLM Pipeline for Medical CRF Filling：涉及检索、知识库问答与证据可靠性，可作为 RAG 评测和企业知识系统的补充线索。

TWLA: Achieving Ternary Weights and Low-Bit Activations for LLMs via Post-Training Quantization：涉及推理成本、延迟、吞吐和部署约束，可补充系统优化方向。

SeamEdit: A Black-Box VLM-Agnostic Pipeline for Large-Image Semantic Editing：涉及训练与后训练中的新任务、数据或系统线索，可作为后续跟进清单的一部分。

scLLM-DSC: LLM-Knowledge Enhanced Cross-Modal Deep Structural Clustering for Single-Cell RNA Sequencing：涉及训练与后训练中的新任务、数据或系统线索，可作为后续跟进清单的一部分。

The Illusion of Multi-Agent Advantage：涉及工具调用、执行反馈和可复用能力，可作为 Agent 工作流可靠性的补充线索。

A Machine Learning Framework for Real-Time Personalized Ergonomic Pose Analysis：涉及检索、知识库问答与证据可靠性，可作为 RAG 评测和企业知识系统的补充线索。

Learning What to Remember: A Cognitively Grounded Multi-Factor Value Model for Agentic Memory：涉及工具调用、执行反馈和可复用能力，可作为 Agent 工作流可靠性的补充线索。

MAMVI: 3D Test-Time Adaptation via Masked Multi-View Point Clouds：涉及检索、知识库问答与证据可靠性，可作为 RAG 评测和企业知识系统的补充线索。

阅读边界

自动排序会偏向有社区信号、代码信号和工程关键词的论文。
简报默认基于标题、摘要和公开元数据，不替代全文精读。
外部 API 限流或不可用时，相关信号会降级为空并在内部记录中保留说明。