让 Agent 更可靠地调用工具和复用技能、识别并缓解模型安全、越狱和对齐风险、提升 RAG 检索和知识库问答可靠性
今天主要跟进：让 Agent 更可靠地调用工具和复用技能、识别并缓解模型安全、越狱和对齐风险、提升 RAG 检索和知识库问答可靠性。
本期从 2026-09-22 论文源抓取并去重 414 篇候选论文，筛选 6 篇重点论文与 20 篇补充关注。
本期重点
- 1SWE-Serve：基准ing Agentic Engineering 面向 Production Inference Serving🔗
- 2校准作为LLM评估的一流标准🔗
- 3IndustrialVLA-Bench：A Traceable Multi-Axis 评测 of Open Robot Policy Models🔗
- 4TriWorldBench：A Tri-View Consistency Perspective on Embodied 世界模型🔗
- 5Governed AI-Agent Coordination 面向 Dementia Care：Architecture，Safety Contracts，与 Evidence-Derived Workflow Verification🔗
- 6用于审核生成性医学成像中的隐私和公平性的数据介入框架🔗
今天最值得跟进的方向
今天的高分论文主要指向：让 Agent 更可靠地调用工具和复用技能、识别并缓解模型安全、越狱和对齐风险、提升 RAG 检索和知识库问答可靠性。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
让 Agent 更可靠地调用工具和复用技能
中文标题SWE-Serve：基准ing Agentic Engineering 面向 Production Inference Serving
信号显示我们引入SWE-Serve ，这是评估生产推理工程任务代理的基准
关键词agentraginferenceserving
代码/数据需查看原文确认
识别并缓解模型安全、越狱和对齐风险
中文标题校准作为LLM评估的一流标准
信号显示语言模型的校准-表达或隐式置信度和经验正确性之间的对齐-是NLP中一个经过充分研究的子领域
关键词deploymentalignmentevaluationbenchmark
代码/数据需查看原文确认
提升 RAG 检索和知识库问答可靠性
中文标题IndustrialVLA-Bench：A Traceable Multi-Axis 评测 of Open Robot Policy Models
信号显示开放式机器人政策越来越遵循两种范式：视觉-语言-行动模型（ VLA ）直接将观察和指令映射到行动，而世界-行动模型（ WAM ）将学习到的视频或世界动态纳入政策学习或行动生成
关键词raginferencedeploymentlatency
代码/数据需查看原文确认
提升模型推理、规划和验证能力
中文标题TriWorldBench：A Tri-View Consistency Perspective on Embodied 世界模型
信号显示具体化的世界模型预测机器人行动的结果，以支持学习和规划
关键词alignmentevaluationbenchmarkcode
代码/数据需查看原文确认
让 Agent 更可靠地调用工具和复用技能
中文标题Governed AI-Agent Coordination 面向 Dementia Care：Architecture，Safety Contracts，与 Evidence-Derived Workflow Verification
信号显示痴呆症护理越来越多地涉及连接的传感器、药物设备、电子记录和辅助技术
关键词agentworkflowservingsafety
代码/数据需查看原文确认
提升 RAG 检索和知识库问答可靠性
中文标题用于审核生成性医学成像中的隐私和公平性的数据介入框架
信号显示基于扩散的合成数据生成为共享医学成像数据提供了一条有希望的途径，而无需发布敏感的患者记录
关键词retrievalcodesynthetic dataframe
代码/数据需查看原文确认
其他值得关注
中文标题LLM代理基于轨迹的早期结果预测的测试驱动可靠性审计：目标特定校准转移持续存在于单个基准中
关注理由涉及工具调用、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。
A2M: Trace-Optimized Agent Hijacking in the MCP Ecosystem
中文标题A2M ： MCP生态系统中的跟踪优化Agent劫持
关注理由涉及工具调用、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。
EquivSVA: A Formally Verified Dataset of Behavioral Assertions Across Equivalent RTL Implementations
中文标题EquivSVA ：经过正式验证的等效RTL实施的行为断言数据集
关注理由涉及任务设置、指标和失效案例，可补充模型评测与回归测试。
Metrics Failure in LLM-Based Code Vulnerability Repair: An Empirical Study and a Change-Aware Screen
中文标题基于LLM的代码漏洞修复中的指标失败：实证研究和变更感知屏幕
关注理由涉及任务设置、指标和失效案例，可补充模型评测与回归测试。
Beyond End-Task Success: How to Audit Visual Experience Retrieval in Robotics
中文标题超越最终任务的成功：如何审核机器人中的视觉体验检索
关注理由涉及检索、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。
SafeLoop: Risk-Aware Rollback for Vision-Language-Action Manipulation
中文标题SafeLoop：Risk-Aware Rollback 面向 Vision-Language-Action Manipulation
关注理由涉及检索、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。
中文标题针对哪个Oracle认证？执行标签设置Text-to-SQL的Conformal Abstention报告风险
关注理由涉及检索、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。
Shallow to Deep: Aligning Token Pruning with Stage-wise Roles in LVLMs
中文标题从浅到深：将令牌修剪与LVLM中的阶段性角色对齐
关注理由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。
HABILIS Brain 0: Geometry-Change Supervision for Vision-Language-Action and Residual Flow Recovery
中文标题HABILIS Brain 0：Geometry-Change Supervision 面向 Vision-Language-Action 与 Residual Flow Recovery
关注理由涉及机器人与具身智能中的新任务、数据或系统线索，可作为后续跟进清单的一部分。
The Sirens' Song: When Proximal Background Context Overshadows Distant Evidence
中文标题The Sirens' Song：When Proximal Background Context Overshadows Distant Evidence
关注理由涉及检索、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。
Optimal Sequential Annotations for Off-Policy Evaluation
中文标题非政策评估的最佳顺序注释
关注理由涉及任务设置、指标和失效案例，可补充模型评测与回归测试。
GTR: Gated Token Recurrence for Efficient Dense Prediction
中文标题GTR：Gated Token Recurrence 面向 Efficient Dense Prediction
关注理由涉及视觉与图像生成中的新任务、数据或系统线索，可作为后续跟进清单的一部分。
中文标题将分层认知过程与过程监督相结合，以实现可解释的场景安全理解
关注理由涉及模型安全、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。
中文标题KwAIMind技术报告
关注理由涉及工具调用、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。
PACT: From Credit Assignment to Critic Alignment
中文标题PACT：来自 Credit Assignment to Critic Alignment
关注理由涉及模型安全、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。
Towards Systematic Qualification of Vision-Language Models for Automotive Perception Systems
中文标题面向汽车感知系统视觉语言模型的系统化认证
关注理由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。
When Does Execution Provenance Help Agent Memory Retrieval?
中文标题Execution Provenance何时帮助代理检索内存？
关注理由涉及检索、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。
Risk-Aware Online Conformal State Probing
中文标题风险意识在线适形状态探测
关注理由涉及工具调用、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。
LoRango: It Takes Two LoRAs to Unlock Hidden Behaviors in Diffusion Models
中文标题LoRango ：需要两个LoRA才能解锁扩散模型中的隐藏行为
关注理由涉及视觉与图像生成中的新任务、数据或系统线索，可作为后续跟进清单的一部分。
AgenticSizing: A Large Language Model-based Multi-Agent Framework for Analog Circuit Sizing
中文标题AgenticSizing：A Large Language Model-based Multi-Agent 框架 面向 Analog Circuit Sizing
关注理由涉及工具调用、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。
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。