Agent：审查接受但尚未交付（206）¶
只表示既有审查接受、没有当前目录或明确成本终态。不是全部获用户实施授权， 也未逐篇完成现行成本门禁；不能直接当成自动实施队列。按论文 ID 倒排。
本轮已确认的完整实验不复现项单独标注；其他项必须先完成成本/范围裁剪，不是直接接单。
| ID / 论文 | 本轮处置 | 优先机构核验 | 既有审查理由 |
|---|---|---|---|
| 2610.20067 Which Knowledge Should LLMs Trust? Uncovering a Generalizable Steering Direction Across Knowledge Conflicts | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 知识冲突偏好方向是残差空间的线性干预，原文采用7B–9B、单卡A100、仅推理。接受真实模型上独立开发冲突对提取方向与隔离测试的核心候选；不把先按clean正确筛出的条件准确率当无条件能力，也不把评测答案送入推理。 |
| 2610.19818 One Monitor Does Not Fit All: Formalism-Agnostic Runtime Verification for Agentic AI | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | AgenticRV 的 canonical events、monitor-specific projection、统一 verdict 与 effect 前阻断是可执行的运行时机制。Python/受控工作流可在 Mac 保真核验；只接受该机制，不把立即返回的 monitor 微基准冒充语义监控效果或 Agent 能力。 |
| 2610.19801 Delta Tokenizer: Reference-Identical Tokenization of Session Deltas and Segment-Parallelism for Long Prompts on Multicore CPUs | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | Delta Tokenizer 的核心是由 tokenizer 拆分规则证明安全的增量接缝、精确分段及 chunk 调度，而不是简单拼接 token。CPU 核心可在本地 Mac 以真实 tokenizer 和原始文本核验一致性；不复跑 41.8B 文档或多服务器服务实验，不声称已测 TTFT。 |
| 2610.19659 Measuring and Reducing Unusable Replies of LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 回复可用性把读者实际见过的信息作为边界，单次重写或追加明确回复要求无需训练。接受少量真实回复上的reader检查与实际重写机制候选；不能用金标可用回复替代重写器，480回复/8模型统计不视为本地结果。 |
| 2610.19474 Beyond Retrieval: Evidence Access and Event Aggregation in Agent Memory | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | TallyMem 保留原始轨迹、生成事件规格并实际执行聚合，不能以金标事件集代替规格生成。接受原始日志→事件ledger→真实编译/执行的廉价核心候选；USD 1.05仅属原文primary arm，不能外推全AMA/多reader成本。AMA混入开发轨迹，正式能力比较应采用25开发/99隔离仓库协议。 |
| 2610.19345 When Is Smaller Greener? Right-Sizing Language Models for Agentic AI | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 本文的贡献是按成功完成任务计量能耗/成本/时间的决策公式与Pareto筛选。接受CPU数值机制候选，可从公开参数算交叉长度；15模型GPU能耗pilot并非已复现，也不能将合成可靠率下的公式结果宣传为Agent能力。 |
| 2610.19316 Truthful and Expected-Payment-Optimal Model Routing in Graph-Based Agentic Workflows | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | STAR 的分配目标、工作量单调性及积分支付可在小型真实合成图上用精确求解器执行，不需要调用 LLM。接受的是拍卖/路由核心机制候选，不把合成成本或激励保证当作真实 Agent 能力提升。 |
| 2610.19131 Plant Memory: Technical Language Processing and a Verified Maintenance Ontology for Agent-Accessible Failure Knowledge from SAP PM Work Orders | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | Plant Memory 的 rule-first TLP、带证据/审核状态的事实图及 SQLite 离线后端可低成本实现，LLM第二读者是可选项。接受规则/溯源核心候选；400条合成工单的数字只是受控机制证据，不能宣称真实工厂部署、通用Agent能力或自动evolve收益。 |
| 2610.18780 BLADE: Auditing Information Use for Failure Attribution in LLM Multi-Agent Systems | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | BLADE 审计来源到决策的使用关系，区分引入、传播和修复；原文明确不输入参考答案。全文片段报告1228轨迹的 Jev 推断估算约USD 1.9，属于廉价真实轨迹审查候选；仍需真实决策模型，不得用金标责任步骤做 fixture。 |
| 2610.18684 Knowing the User Is Not Knowing What We Established: Grounding Awareness in Personal Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | Grounding Layer 明确分开用户事实与已接受、未确认、修订和限域约定；ledger、动作前gate及回查原始对话均保留。可低成本核验真实对话到状态提取及有限动作边界；不得直接喂入oracle +Status/+Policy或gold动作当实现。只接受机制候选，不声称全基准收益。 |
| 2610.18157 Fan Out or Relay? Ownership-Aware Routing for LLM Agents Querying Siloed Tables | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | OAR 仅用公开schema生成一份草拟SQL并计算owner cover，在读任何私有行前决定fan-out或relay。核心可在小型真实数据库和实际SQL草拟模型上低成本检验；不能直接喂gold SQL/owner答案替代草拟，不声称13种设置已复现。 |
| 2610.08775 Agent in a Bottle: Can LLM Agents Turn Their Capabilities Into Cheap, Scalable Artifacts? | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。BOTTLED作为evolve可执行评测基础设施接受：Agent在预算内生成可复用artifact并完成大批无标签任务，明确隐藏gold与预算约束，兼容模型/脚本/路由器候选。 |
| 2610.08691 ScienceClaw: Benchmarking Continual Self-Evolution of AI-for-Science Agents Across the Natural and Social Sciences | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ScienceClaw冻结模型，以typed workflow执行修复提取linked Skill–Operator bundles，boundary/source reset replay必须实际使用新版本，只有独立validation严格提升且hard constraints/预算通过才原子晋级；符合真实evolve闭环候选。 |
| 2610.08662 ParanoiaEval: Benchmarking Unnecessary Defensive Work in Agentic Coding | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ParanoiaEval作为evolve行为约束评测接受：200同任务E+/E−证据对，任务oracle和多余风险处置judge分离，可同时评测完成度与证据响应。 |
| 2610.08647 SquidAgent: Parallelize Wisely, Coordinate Efficiently | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SquidAgent一次DAG规划同时估算输出token/层对齐成本，session fork继承上下文、预写约定，以sum(tokens)/(max(tokens)+alignment)>alpha决定并行；明确可执行Agent调度机制。 |
| 2610.08622 Agentic RCA for Internet-Scale Services Using Constrained Creativity | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。E4以固定typed DAG语法约束RCA Agent，依次选playbook、组合已有operators、合成新operators；实际执行与admission形成可复现核心控制机制。 |
| 2610.08621 Recursive Game Creator: An Agentic Product-Level Experience-Oriented Game Harness | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Recursive Game Creator包含designer/build、可执行多策略player rollout、盲化版本review及实际artifact retention，保留偏好证据到下一轮，属于固定模型Agent迭代闭环。 |
| 2610.08586 MINDSET: Energy-based Schema Evolution for Long Conversational Agent Memory | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MINDSET以immutable episodes和versioned schemas，按distortion/contradiction/history/fragmentation/inconsistency加权能量选择reinforce/supersede/split/new，再展开原始证据检索；定义完整可复现记忆算法。 |
| 2610.08514 How Much Evidence Should a Coding Agent's Self-Correction Carry? Adaptive Dirichlet Evidence for Self-Distillation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。EESD将公开执行before/after四种转移和词法相关性转为有效样本量1/sum(p²)，Dirichlet utility lower score加权CE并保留未加权forward KL；可复现Agent自修正训练机制。 |
| 2610.08452 Agentic AutoRAG: RAG Pipeline Optimization through Reasoning-Driven Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Agentic AutoRAG的检索/生成归因→Diagnoser→KB/成本引导Proposer构成明确搜索机制，可接入evolve候选；准确率实验有100验证/300独立heldout隔离。 |
| 2610.08364 Transect: Retaining Observability for Long-Horizon LLM Agent Evaluations | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Transect为公共可执行评测观测工具：family Spec固定词表，structural/judged scanners→provenance tables→源链接报告；可用于evolve审计但不是任务能力评分器。 |
| 2610.08155 Token-Efficient Multi-Agent Collaboration via System One-Guided Computational Division of Labor | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。S1-MAS用冻结Laya离散决策encoder+Qwen0.6B证据定位，把Solve/Decompose/Reverse/Review/Repair/Contrast及停止交给轻量控制器，真实机制适合协同计算预算候选。 |
| 2610.08106 ChartBmkAgent: Harness-Governed Multi-Agent Construction of Chart QA Benchmarks from Sparse Error-Taxonomy Specifications | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ChartBmkAgent 将错误分类/难度作为不可变根约束，由 harness 审批数据、图表、机制锚点与 QA，失败局部修复或回退；适合可审计的评测数据生成候选。 |
| 2610.08101 Beyond Corrected Memory: Execution Consistency in Multi-Agent Systems | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CAVERT将义务激活/观察覆盖/有效履行分离，证据不足返回U而非无违规，LLM提取+deterministic规则+precommit read-refresh gate是明确执行一致性机制。 |
| 2610.08076 SpeedrunBench: Challenging LLM Agents with Video Game Speedrunning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SpeedrunBench 在固定轮次及计分调用预算下优化可回放动作轨迹；公开三款开源游戏、固定revision和独立计分容器，适合evolve公共评测。 |
| 2610.08048 DAEDALUS: Bootstrapping Agent Memory from Self-Generated Tasks | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DAEDALUS用自生且Explorer亲自完成的任务、失败提炼heuristic、reset后连续3次成功验收、难度调节与冻结整库注入；真实记忆生成/验证机制适合evolve候选。 |
| 2610.07972 Can Agents Work for Everyone? Cross-User Reliability for Mobile GUI Agents in Personalized User Interfaces | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。PAIR可执行个性化GUI状态与RePAIR按跨用户UC子目标四rollout标准化优势构成可复现机制设计；接受为探索候选，接入必须重做独立validation选择。 |
| 2610.07935 SIGMA: Self-Improving Alignment Generalization from a Model Spec | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Apple/JHU SIGMA的同模型taskdesigner+配对一事实变化+spec/rubric自验收+训练监督生成是Agent自改进候选；保留真实模型judges与GRPO，不能以规则fixture代替。 |
| 2610.07862 A self-learning scientific agent for X-ray diffraction | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Gan Jiang将XRD工具执行残差/失败转换为版本化skill修订并开发集成对选型、冻结后heldout比较；接受科学Agent机制及DeltaXRDbench公共评测候选，不能宣称完整闭源toolchain复现。 |
| 2610.07860 WorkflowOps: Learning Agent Collaboration Priors for Multi-Agent Workflow Orchestration | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。WorkflowOps以Minilm能力匹配、低充分性新Agent生成、合成workflow一阶转移先验添DAG软边/分层执行构成明确orchestration候选，但非经证明持续自演化。 |
| 2610.07851 RA-MoWE: Workflow-Affinity Embeddings for Query Clustering and Agentic Workflow Generation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。RA-MoWE离线probe outcome affinity→cluster expert search→BGE+MLP预测路由是真实可执行工作流优化候选；只能接受text-only Guided-BB路径，test measured affinity列必须诊断隔离。 |
| 2610.07832 Harness Engineering for Software Engineering via Modular Executable Dev-Primitives | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。HERMES将持久文件包装为Dev-Primitive，按依赖动态激活、定向消息、执行诊断后至多3轮再激活修改；接受为文件级Agent编排核心机制。 |
| 2610.07816 Do I Need the Cloud? Uncertainty-Aware Step-Level Handoff for Small Language Model Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。StepGate以本地动作反事实失败标签训练校准门控，结合六类特征、阈值/预算、按需一致性采样逐步选择本地/验证/强模型；接受为真实模型路由机制候选。 |
| 2610.07657 Where Rules End and Judges Begin: Measuring the Judgment Boundary in Multi-Agent Systems Security | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DEFER提供27确定/相似度检查后残余LLM panel的实际host工具/记忆安全管线、四域testbed与outcome oracle，公开MIT代码/attacks/benchmarks/logs/scripts/tests，可作安全评测候选。 |
| 2610.07645 SkillPoison: Progressive Skill Poisoning via Successful Experiences | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SkillPoison揭示真实成功经历被提炼为脱离适用条件的技能时产生的治理漏洞，可作为防御性技能晋级回归评测/机制诊断候选，不接受为能力提升策略。 |
| 2610.07639 HarnessSecurity-Bench: Do Security Mechanisms Really Protect Coding Agent Harnesses? | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。HarnessSecurity-Bench 在固定合法任务下对原生安全机制ON/OFF配对，分离外部确定性utility与attack-effect oracle，适合离线隔离harness回归。 |
| 2610.07587 Large Language Model Orchestration under Heterogeneous Preferences via Explicit Persona Inference | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。HARP以有限persona库、离线校准response scorer更新每Agent贝叶斯后验，posterior sampling集中规划；HARP+加reward-disagreement探索bonus。接受精确算法/机制诊断候选，不宣称开放对话Agent能力提升。 |
| 2610.07557 CheckerBench: Can Long-Horizon Agents Synthesize Static-Analysis Checkers? | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CheckerBench/CheckerLab 按补丁与漏洞前后版本生成静态检查器，冻结产物后独立重建、差分、误报和语义门禁；300任务公共包及固定Linux runtime适合代码Agent评测。 |
| 2610.07376 MemCo: Memory-Centric Collaboration for Generalizing LLM Agents to Unseen Environments | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MemCo本地trajectory graph提取条件化规则，episode-reduced正负证据经role抽象exact-key聚合，Wilson分数促进/撤回global records，state/phase/goal检索+grounding组合；接受Agent memory核心候选。 |
| 2610.07335 Selective Critique for Cost-Aware LLM Agents in Long-Horizon Decision Making | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SAG对可执行动作长度归一loglik分布算entropy+top2margin门控，无gold critic纠偏；每10成功episode从同base重新LoRA-SFT累计action pairs，接受真实门控+在线学习候选。 |
| 2610.07311 Understanding and Mitigating Inference-Time Overreliance Using Agentic Memory | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MemTrim用LLM规范化原子证据+task signature/answer support，独立key-value trie索引；删与当前重复或矛盾证据、support变化则抑制旧answer、task变化则typed reuse，接受memory治理机制候选。 |
| 2610.07289 Catching Developers in the Flow: Low-Latency Agentic Program Repair at Google Scale | 完整实验不复现，审查DONE；低成本组件另议 | Google/Meta 已确认，见优先清单 | 审查通过，待核心算法实现与公开验证。Google FlowAgent以预/后执行过滤、ReAct generate-and-validate和最终测试完成低延迟presubmit修复；核心候选接受，未实现。 |
| 2610.07261 Verifying Coordination in Parallel Coding Agents: NP-Bench and a Scheduling Planner | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Nerveplane被动观察git状态，按文件scope冲突着色分批并按契约依赖排序合并，NP-Bench含真实git集成与live coding agents，可作并行evolve协作评测候选。 |
| 2610.07258 Lineage-Aware Memory Governance: A Derivation-Gated Framework for Privacy-Preserving Column-Level Access Control in Enterprise AI Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Lineage-Aware Memory Governance以敏感列派生标签、最新安全记忆检索及定义hash冲突提示实现明确可复现的共享Agent记忆治理；接受为机制诊断候选而非生产安全能力。 |
| 2610.07191 Agentic Design Space Exploration for Joint Hardware Configuration Selection and Mapping of AI Inference Workloads on Heterogeneous Edge SoCs | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。TraceDSE以真实硬件执行trace→工具化critic→proposer→Pareto/exploration state组成实测搜索闭环，适合evolve算子机制候选。 |
| 2610.06966 APEX: Active Protection at Execution Boundaries for LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。APEX 冻结用户授权合同，在执行边界以 WRAP 核验效应授权，以 PLANT deception receipts 暴露未获准信息使用，失败安全延续。AgentDojo/ASB/MCPTox/MSB/Skills 公开任务支持验证。 |
| 2610.06964 Principles that Guide, Actions that Inform: Agent Evolution via Knowledge Abstraction | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SAGA 将执行轨迹抽象为分层经验/原则，检索后适配当前任务，并可 SFT/GRPO 优化 actor。ScienceWorld/ALFWorld 的证据 grounding 与 utility ledger 规则可执行。 |
| 2610.06843 Recursive Video In-Context Learning for Agentic Robot | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。RV-ICL的多层示范索引与按子目标重入是明确Agent上下文访问机制；只接受示范条件化诊断候选，须将阶段目标/仿真状态来源与非gold能力评测隔离。 |
| 2610.06748 BazaarBench: Delegation Safety in Decentralized C2C Marketplaces Run by LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。BazaarBench 以可复制30天市场状态和固定20代理群做7天continuation，事件/库存真值与交易安全阶段分开，适合多Agent委托约束评测。 |
| 2610.06650 Wikidata Search Traces: A Dataset for Training Knowledge Graph Search Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Wikidata约束图构造唯一可验证问题，持久Python REPL组合13类图查询函数，保留成功搜索轨迹，适合训练数据/Agent工具harness候选。 |
| 2610.06454 AgentPrivArena: Evaluating and Auditing Real-world AI Agent Privacy | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AgentPrivArena/AgentPrivAudit 在六个容器服务中做389可执行隐私任务，读后提取来源/主体/接收方信息流、写前Pass/Abstract/Block，可作为真实工具状态评测与防护策略候选。 |
| 2610.06406 What Did the Agent Actually Do? Evidence-Grounded Oversight for Long-Horizon Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。EBG确定性证据→行为→scope图、需求驱动一跳扩展及原文回核；AgentMonBench分离遗漏规范、测试不变语义替换和事后反馈前缀，接受监督机制与条件性公共评测候选。 |
| 2610.06269 Evolving in Thought Space: Training a Small Model at Test Time Unlocks Better Discoveries | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Guidance-TTT仅训练小guidance LoRA，用archive parent summary提策略、冻结executor读完整parent落实、独立verifier给reward；adaptive entropic LOO advantage+centered base correction的实际RL闭环，接受高优先evolve候选。 |
| 2610.06193 Correct Code, Broken Contributions? SWE-CC: Benchmarking Repository Policy Compliance for Coding Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SWE-CC 将12个SWE-bench仓库的823条贡献政策编译成有前置条件的确定性检查器，同时评估轨迹与补丁，适合作为代码Agent合同评测候选。 |
| 2610.06192 Copies or Sources? Measuring How LLM Aggregators Count Restated Evidence in Multi-Agent Systems | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。用精确Bayes可数来源任务测复制证据权重，比较去重声明、抽取唯一读数、只转发引用三种通信干预，可加入多Agent证据聚合诊断。 |
| 2610.06191 Judged Useless, Queried Anyway: Tool-Using Agents Rarely Turn Their Own Evidence Judgments into Stopping Decisions | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。根据Agent自身USELESS判断累计失败检索，在连续五次无用时由harness触发整合/停止；固定步数对比和新300题确认，适合工具预算控制候选。 |
| 2610.06100 From Traces to Agentic Worlds: Agentic Language World Models for Interactive Environment Simulation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Trace2Env从trace构造冻结worldbook，区分跨episode知识、当前state与逐步memory；适用性gate、schema/约束验证分阶段commit，配真实环境重放W2R评测，接受世界模型/Agent环境候选。 |
| 2610.06064 TrustMI: Causally controlling how assistants trust their users | 完整实验不复现，审查DONE；低成本组件另议 | Google/Meta 已确认，见优先清单 | 审查通过，待核心算法实现与公开验证。TrustMI以冻结LM的全层BiPO steering矩阵+正向trust NLL抑制likelihood displacement；用户span和assistant span分别训练，Agent主实验把user-trained矩阵加到所有用户及工具输出。接受Meta高优先安全机制及公共评测候选。 |
| 2610.06001 AgentSpy: Making AI Agent Behavior Observable | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AgentSpy 在隔离microVM外记录进程树系统调用/网络，再按命令、文件、主机的归一化计数构造star graph与weighted Jaccard，可作为独立可观测性机制候选。 |
| 2610.05981 Mechanizing the User's Eye: Pre-Registered Deployment of a Sabotage-Validated Fail-Plausible Observer in a Production LLM Agent Runtime | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。接受小规模Agent可靠性回归基准：五确定性signals→带verbatim substring证据闸门的LLM judge；14例公开offline corpus+逐detector sabotage+固定manifest/评分器，适合evolve防退化diagnostic而非通用能力分。 |
| 2610.05833 Request Order Matters: Cache-History Sensitivity in Selective KV-Cache Reuse for Rolling Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。接受Agent长时rolling context的KV重计算机制诊断：固定5% token预算，按doc均值deviation选择整span及连续余量；对照token-top-k和其他连续块，核心证据支持contiguity而非document边界/评分本身。 |
| 2610.05778 MedicalHarness: A Controlled Evaluation of LLMs and Agent Harnesses on Medical Tasks | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MedicalHarness 的MH-Lab在相同执行循环中切换摘要、显式计划和工具发现接口，并将回答率、正确率、轨迹和成本分开；公开代码/MedTool可作为harness消融候选。 |
| 2610.05709 Nexus: An Execution Fabric for AI Agents Across Cloud, Edge, and Devices | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Nexus将调用持久化为task，使用invocation-scoped委托、operation journal、device receipt及cursor恢复，明确已提交结果重用与不确定外部副作用的资源端协调。接受执行基础设施候选。 |
| 2610.05697 From Token-Max to Outcome-Max: How You Use AI Determines Its Productivity | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。TokenEcom按verified output/cost而非token量设模拟监督策略，跨代只传递可重用playbook，执行反馈提炼双方skill。公共SWE/HumanEval/GSM8K/MATH适合cost-aware evolve评测候选。 |
| 2610.05622 UndoBench: Separating Task Competence from Recovery Capability in Tool-Using AI Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。UndoBench 对相同seed执行control/fault配对试验，以独立mutation log与state oracle区分能力、恢复、重复和漏执行，适合工具Agent容错评测。 |
| 2610.05615 DREAM: Dynamic Resolution Assignment For Multimodal Multi-agent Debate | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DREAM用多分辨率probe的ANLL均值减标准差形成confident set，五分支分配visual payload；丢弃probe历史后debate，按每agent ANLL轨迹回滚早期低不确定答案，再judge。适合多模态Agent推理候选。 |
| 2610.05572 Disentangling Task Difficulty from Run-Level Failure in Agent Failure Prediction | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。分解pooled AUROC为同任务/跨任务比较，以task-grouped交叉验证和绝对turn prefix区分任务难度与当前run失败信号，适合统一预算控制评测。 |
| 2610.05563 G-CARB: Graph-Localized Conformal Agent Risk Budget for Compositional Harm | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CARB对stopped-prefix全episode harm ledger做finite-grid corrected conformal risk calibration；G-CARB只向固定scorer提供prefix-visible source-to-sink依赖路径，保留proposal空结果与threshold nesting。接受安全门控机制候选。 |
| 2610.05540 SALUS: Automated Auditing of NL-to-SQL Benchmarks through Weak Supervision of Multi-Agent Output | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SALUS对多agent候选SQL执行/结构/intent弱标记建generative label model，均衡高置信伪标签训练SQL-feature条件化agent reliability decision plane，融合verdict检测基准错误。适合评测质量基础设施候选。 |
| 2610.05532 DelegationBench: Measuring When AI Agents Should Ask Before Acting | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。接受为evolve权限/信息需求分离的评测基础设施；156场景48matched pairs、Act/Ask/Request/Refuse分别计分，Tool-Loop与post-approval测试行动而非只问判断。 |
| 2610.05473 Hierarchical Reinforcement Learning with Stable Temporal Abstraction for Language Model Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。STAC在HiPER归一化boundary advantage上按已采样KEEP/SWITCH减去过早重规划与过时保留成本，PPO仅boundary token改变，reward/critic/subgoal/action保持host算法。适合hierarchical Agent RL。 |
| 2610.05398 MMPostTrainBench: Benchmarking Autonomous Research for Multimodal Post-Training | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MMPostTrainBench将多模态训练任务封装成Harbor独立verifier，MMResearch把媒体证据、假设、干预结果构成图并配global/core/archive记忆，适合多模态evolve控制器。 |
| 2610.05383 Sibyl: An Efficient Small-large Model Collaboration Framework for Long-horizon Tasks | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Sibyl先hindsight skill OPD+RL增强本地policy，失败prefix replay找单次cloud action能逆转结果的decisive disagreement冷启动call_cloud，再以trajectory/matched-state/consultation counterfactual credit联合训练和skill internalization。适合Agent RL/OPD跨轨。 |
| 2610.05342 IRSTD-Agent: Agentic Infrared Small Target Detection via Zoom-Guided Interaction Learning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。IRSTD-Agent用proposal/zoom/detect/drop/refine视觉工具，基于train mask构造target-preserving/offset-recovery/negative trajectories，SFT预测工具及坐标，测试从native image获得证据。可作为多模态主动视觉Agent候选。 |
| 2610.05334 AgentDiscover: Autonomous Discovery with Minimal Search Scaffolding | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AgentDiscover用sandbox coding agent自行查询idea/candidate/session/lesson图数据库并提交隔离评分，跨session fresh context保留tools/skills；meta agent从trace提炼搜索指导，可接开放搜索evolve。 |
| 2610.05300 MESH-Harness: Self-Improving Agent Harnesses via Bandit-Guided Compositional Evolution | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MESH-Harness固定slot接口与容量池，缓存embedding、full-covariance LinUCB+混合起点coordinate search选择完整组合，每5评估trace驱动两slot变异与evict，保留surrogate统计。可接组合harness evolve。 |
| 2610.05295 Readable Before Actionable: Causal Tracing of Indirect Prompt Injection | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Readable Before Actionable用content/format反事实role probe、component activation patch和独立hijacked-resisted suite差分方向，检验pre-action/tool-span固定activation edit对AgentDojo攻击行为影响。可收录安全steering实验机制。 |
| 2610.05284 Fusion is the New Mutation: Bandit-Guided Evolution on Workflow Graphs | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DAGO将工作流搜索记录为generation lineage DAG，固定五parent组合arm，缓存concat embeddings，shared diagonal LinUCB从退火score-softmax提案中选择fusion；LLM从最强parent开始按总结做targeted融合，绝对子代validation成绩更新bandit。适合harness evolve算法。 |
| 2610.05247 templar: agentic induction and evolution of standardized radiology reporting templates from large-scale clinical corpora | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。TEMPLAR把模板与anatomical/diagnostic provenance graph作持久状态，Span-Triple双视图BM25/embedding图Leiden聚类归纳slot，结构reducer约束修订，外证据grounding及train结构化反馈校准粒度。可作多模态/医疗Agent机制候选。 |
| 2610.05176 AECG: Asymmetric Experience Consolidation and Governance In Multi-Agent Systems | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AECG按team/event/agent保留scope，成功与归因可信失败不对称入账，slow累积/fast折扣Beta-style信念检出退化并按downstream exposure有限预算review；narrow/repair版本仅paired failure+disjoint success replay通过再启用。适合Agent memory/RSI。 |
| 2610.05162 Memadapter: Counterfactual Adaptation Against Memory-induced Sycophancy | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MemAdapter对冻结retrieved memories先造counterfactual任务归纳条件使用边界，再当前context反思限定inferential角色，最终evidence-based回答；不改上游memory/retrieval。适合记忆可靠性机制。 |
| 2610.05132 SpecAgent: Empowering Program Verification with Agentic Synthesis of Formal Program Specifications | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SpecAgent用函数/loop dependency计划与ACSL知识RAG生成annotation，Frama-C/WP反馈可回修upstream contract，critique用双次同input调用return equality completeness probe辨弱spec并继续修订。public C/SV-COMP任务适合formal-method Agent候选。 |
| 2610.05124 Memory Canonicalization: A Framework and Benchmark for Cross-Model Drift in Persistent LLM Memory | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。写入记忆时做结构消歧、情绪字段提取与独立验证，CMSC-E以统一自然语言渲染隔离内容改写和JSON格式因素，适合作为记忆漂移诊断。 |
| 2610.05107 SearchJev: A Fast and Calibrated System-1 Model for Search Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SearchJev对schema legal-option token logits直接readout，CE+Brier softlabel按来源weight训练LoRA，再独立validation按outputtype温度校准；uncertain decisions交System2。可作Jev/Agent search跨轨算法。 |
| 2610.05099 Small Agents with Semantic Search: Efficient Multilingual Code Localization | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Compact code-localization agent用colgrep late-interaction CPU index，goldonlytrain turnweights SFT再DrGRPO/DAPO dynamicfilter异步rollout训练；publicSWE-Lite/MultiSWE-Flash按basecommit定位文件，可接Agent后训练候选。 |
| 2610.05047 Beyond Task Completion: Measuring Interaction Cost in Terminal User Interfaces | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。TUINaut用Docker+Tmux共享真实TUI输入输出，独立状态oracle检验完成度；Agent-KLM分报推理token与原子按键数，适合交互Agent成本诊断。 |
| 2610.05039 Causal Improvement Graph for Agentic Harness Optimization | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CIG以Evidence–Hypothesis–Intervention–Outcome typed graph作persistent improvement state，Observe/Plan/PlanSelect/Implement/Evaluate/Update局部proposer调用，由外部validation结果修订hypothesis assessments再portfolio选择。可接Agent harness RSI/evolve。 |
| 2610.05030 EVISKILL: Grounding Skill Evolution in Replayable Evidence | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。EviSkill由train trajectory span构建Replayable Evidence Cards链接局部edits，恢复prefix状态重执行验证/反思，globalvalidation更新ValidatedSkill；全局拒绝时仅replay支持edits留WorkingSkill ledger跨epoch再检验。适合Agent skill RSI。 |
| 2610.04991 CIPO: Counterfactual Imagination Policy Optimization for Adaptive Tool Granularity Selection | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CIPO用预算BPE挖成功train工具链并实例化可binding/trace/interrupt技能，G4 rollout中两base各在first eligible state替换atomic/skill并同policy继续，bounded outcome difference补充reward再GRPO。适合Agent RL/toolgenome。 |
| 2610.04961 Building LLM Agent Systems the Deep Learning Way: From Modular Design to Architecture Search | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。LLM building blocks将单调用/历史递归/ToT/GoT/多queryRAG组合为可执行harness，自反思更新metaprompt，Optuna在train30%搜索max tokens/head/retrieve参数后70%test冻结。publicGSM8K/StrategyQA/TSP可实现模块化架构搜索。 |
| 2610.04940 Software World Models: From Consequence Prediction to Decision Value | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SWM 从恢复的训练世界执行反事实变化，SFT warmup+GRPO 学习 downstream blast set，再以采样概率决策迁移和付费检查；真实开源库与独立 synthetic world 可验证。 |
| 2610.04927 Assembling Insights for Agentic Machine Learning Engineering Systems | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MLE-InsightForge 从源竞赛 gold 解法提炼 competition/domain/improvement insight，按触发-动作条件注入 ReAct 解法树；160 Kaggle 任务/12域的源-目标隔离协议可验证。 |
| 2610.04921 Complex Agents, Shallow Tests: Demystifying and Enhancing Test Adequacy of Agent Harness in the Wild | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。HarnessTester用coverage找未覆盖LLM依赖代码，AST精确检索构造器/fixture/mock绑定，指导保留调用契约并生成不同分支测试，适合harness工程测试候选。 |
| 2610.04916 PreAct-Nav: Agentic Reasoning Before Action for Urban Navigation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。PreAct-Nav 用 Navigation Memory 的中期子目标和按需 Predictive Sandbox 生成行动未来线索，冻结 VLM 先审后行动，证据未决或修订无效则回退原 policy。UrbanNav/CityWalker 可验证。 |
| 2610.04915 Are We Measuring Scientific Intelligence? Rethinking the Evaluation of AI Scientists | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。以null/withdrawal/flip三类经统计量验证的反事实数据评估科学Agent是否依证据作答，并用EGA区别答对旧key与响应新证据，可接研究完整性评测。 |
| 2610.04899 Rewrite What Matters: Adaptive Multilingual Query Rewriting for Reasoning via Agentic Reinforcement Learning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。mRewriter-R1 顺序执行 language/structural/semantic 三类有限算子，由 GRPO 优化冻结下游模型结果。MGSM/BELEBELE/XCOPA 明确训练和标准语言测试可验证。 |
| 2610.04889 ForkPilot: Self-Evolving Policy for Retrospective Search in Long-Horizon Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ForkPilot 使用恢复同状态的 search-vs-skip 成对完成轨迹训练 task-bootstrap ensemble，结合成本、支持度与校准边际决定 commit/probe/skip，任务内冻结、跨已完成源任务更新。六个公开 benchmark 可验证。 |
| 2610.04868 From Memory to Guide: Spatio-Temporal Composer for Procedural Coding Memory | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Composer 由 Selector 选择 Skill 并保留 whyNow，将规则绑定当前实体形成 Runtime Guide，按完成/失效条件终止并重新进入任务要求。固定 Skill Bank 的程序记忆适配机制可实施。 |
| 2610.04824 Agent Behavior as Code: Efficient and Robust LLM Agents with Programmatic Specifications | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ABCAgent 以有未绑定输入变量的程序规定 agent 行为，代码 executor 管理作用域和类型状态，LM 负责设计/修改。GAIA、WorkArena、GSM-Symbolic、tau2 的公开基础任务可验证。 |
| 2610.04794 Knowing the Store: What a Memory Backend Must Write Down Before an Agent Can Read It | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。可接入记忆治理诊断基础设施：区分 active/superseded/retracted/expired 与 current/past/change 意图，比较无值的状态摘要、返回记录 tags、简单名称 lookup，含444条同问题反事实存储版本。正文明确公开代码与数据，可忠实实现监测协议。 |
| 2610.04779 Asymmetric Repository Lineage Modeling and Verifier-Guided Coordination in Concurrent AI Coding Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MergeGym 区分 open-time authored-file overlap、真实 git merge-tree 冲突与调度重放；229 heldout repositories 的 T1、5936 可重放 T2 与97仓库调度任务是可执行基础设施候选。 |
| 2610.04699 Not Self-Decidable: LLMs Cannot Draw the Boundary of What an Agent Verifier Can Check | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CoVer 将模型 corroboration 只用于提名，生成 fact-slot+规则并用 structure/groundedness/invariance/sensitivity 四门验证；使用基础设施 attested 字段、缺失或异常则 fail closed。 |
| 2610.04687 Understanding Errors in LLM-Based Question Answering over Imperfect Tables | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。GBDI 对表格随机行排列做五个独立发现 context，映射回原行合并 union ledger，再按可验证证据 Edit/Drop/No-op。RADAR-T313例/53任务/27表可验证。 |
| 2610.04658 RETRACE: From Entangled Repair Histories to Reusable Experience for CI Repair | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。RETRACE 从 CI 完成修复历史做 endpoint 向后与开发历史向前的变更归因，生成 problem-level 三层可复用经验。CI-Repair-Bench565 PR/101仓库、最早30%历史与408后续目标可验证。 |
| 2610.04646 SEIS: Self-Evolving Inference Systems | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SEIS 给 agent 私有代码 worktree、固定 correctness/throughput scorer 和预算，成功核验继承实际推理引擎/kernels；公开 Qwen 与真实 GPU 工作负载可验证代码自进化。 |
| 2610.04641 Back to the Future: Regressing Readability Features from LLMs | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。BTTF将AST-tagged片段embedding几何/聚类、冻结codeLM的构造级surprisal与32/256token上下文差及传统代码特征组合；跨模型稳定性共识选11特征，再以数据集等权的Ridge(alpha200)回归分位化可读性，输出具符号的特征贡献。 |
| 2610.04611 Practical Runtime Enforcement of First-Order Temporal Requirements | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。EnfFlash 将 MFOTL 可执行片段编译为表式 EF 因果/抑制运行时，用参考解释器及真实 trace 比较，是 agent 外部强制策略后端候选。40 formula/Agent 环境有可验证基线。 |
| 2610.04604 Anticipating the Consequences of Curriculum Decisions with Large Language Models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。LLM curriculum 根据完整 Craftax256目标文本构建跨任务关系/可行性图，与历史 learning progress 联合决定训练任务。公开环境和完整目标成功判定可训练验证。 |
| 2610.04575 From Probe Scores to Alarm Policies: Operational Validity of Activation Monitors for Language-Model Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。按语义task/case聚合any-alarm maxima，fit/calibration/test严格分离；由独立负单位次序统计量Beta上界选择最大可认证rank并strict-exceedance报警，支持不足则abstain。observable/activation/joint同horizon比较，哈希绑定模型、阈值与一次性test，fail-closed claim compiler避免AUROC被升级成部署保证。 |
| 2610.04555 \(\mathrm{TRIZ}^{a}\): Guiding Agent Evolution from Pattern Recognition to Solution Invention | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。TRIZ-a 先冻结矛盾与比较协议，声明40类 typed mutation 的契约，再执行候选并根据固定参考群体的 useful/harmful 功能信息选择。公开三网络安全数据可验证。 |
| 2610.04517 EvoCast: Reliable Autonomous Research Agents for Iterative Forecasting Architecture Evolution | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。EvoCast 将 LLM 的机制假设/源码修改与确定性 evaluator/晋升权威分开；先基线+可执行 ablation，再每轮有界源程序结构变异。TFB 公开预测任务支持真实实验。 |
| 2610.04488 Can LLM Agents Automate Reinforcement Learning for Text-to-Speech? | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。TTS agent 在 CosyVoice2 上搜索 LM-carrier DPO 与 flow-carrier GRPO，再组合互补策略。AISHELL3/LibriTTS固定5000条件与 Seed-TTS-Eval 提供真实训练和外部观察指标。 |
| 2610.04432 Video2World: Benchmarking Coding Agents for Interactive World Modeling from Embodied Videos | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Video2World将视频重建交互仿真作为coding-agent任务，分离可执行性、几何、动力学和功能oracle，公开222实例数据与评分接口可作为多模态Agent候选。 |
| 2610.04429 Asking Earns Nothing: Scoring the Decision to Act in BFCL Multi-Turn | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。将BFCL base与miss_func/miss_param配对，机械定位唯一empty-gold anchor；从结构化rollout辨别world-changing尝试而非lookup，计完整信息下act与缺失信息下hold的balanced accuracy。过滤坏key/多anchor/不匹配并人工认证成223pairs，strict与独立授权步骤credited分开。 |
| 2610.04409 Understanding and Mitigating Hallucination Escape in Tool-Using LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。EscapeGuard 从冻结 LLM hidden state 学冲突 probe，按 selection/argument 阶段对当前 tool name/description/schema token 加 conflict强度 attention bias。BFCL/Seal/Glaive 有公开测评来源。 |
| 2610.04379 AgentPersonaBench: Benchmarking Persona-Driven User Simulation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AgentPersonaBench用2460任务跨survey/chat/web/app检验persona约束是否转化成行为，自动泄漏检查加独立人审、确定性与LLM判据分报，适合用户模拟Agent评测候选。 |
| 2610.04375 Do Tool Calls Execute as Intended? Measuring and Repairing Intent-Execution Correspondence in LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。IEC 以各跳接收器 parser 检测 intent-to-execution 第一个变异 hop，并单跳修复重放确认；IntAct 为对应 wrapper/process 边界生成不被改写的传递形式或拒绝。公开合成payload/CLI路径可验证。 |
| 2610.04371 Functionally Equivalent or Not? Graph-Grounded Differential Surrogate Execution for Code Equivalence | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。FEAgent 基于 repository图义务与盲化双程序 surrogate 轨迹提出可执行反例，由确定性对账返回 Equivalent/Inequivalent/Unclear。EquiBench/SWE-bench Verified 可做二次审计。 |
| 2610.04292 LMBuild: Evaluating LLM Agents for Generating Buildable and Functional Structures | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。LMBuild用可检索/生成零件的交互工具生成3D结构，按结构、功能、设计和物理实现分层评测，适合多模态coding-agent能力候选。 |
| 2610.04261 Playing social deduction games with reinforcement fine-tuned large language models | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。社交推理 RFT 在狼人/Avalon 对同阵营共享policy训练，私有可见角色+公共历史形成prompt；用隐藏角色预测和后续投票影响奖励，终局win作外部观察。明确游戏引擎可构建验证。 |
| 2610.04196 Asynchronous Is Nearly Free for Evolution Strategies on Long-Horizon Agentic Tasks | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AsyncES 以参数版本记录 rollout lag，接受 bounded-staleness 回报、按 accepted cohort 标准化奖励并更新中央 ES 参数；worker 恢复无扰动权重并重放更新后再扰动。 |
| 2610.04178 SHarP: Saliency-based Pruning of Agent Harnesses | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SHarP 对手工定义 harness 模块逐一禁用，以 dev 任务分数/成本的相对中位数及 paired t-test 判断 saliency；保护显著性能贡献模块，按效率信号剪枝后独立评测。 |
| 2610.04134 Agentic Resource Allocation for Batch Multi-Objective Bayesian Optimization in Autonomous Materials Discovery | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MultiTaskGP 在每轮 qEHVI 与 diversified qUCB 六种配比之间分配实验batch；LLM根据近期HV/MI、历史和预算事件选择option，Adaptive还选β。 |
| 2610.04008 SkillScriptBench: Benchmarking Self-Evolution of Executable Agent Skill Packages Beyond Markdown | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SkillScriptBench评估SKILL.md和脚本一致性，AST-guided revision绑定需求到唯一语法节点，局部修改并显式保留正确行为，适合可执行skill/RSI迭代候选。 |
| 2610.03994 Solving VeriContest with a Lean-Backed Rust Verifier | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Rust-Prover 将 Verus spec 转 Rust specification、由 Charon/Aeneas 转 Lean，proof agent给定不变代码/theorem迭代证明，干净clone复核byte identity与Lean axioms。 |
| 2610.03938 MLLMs Fail to Refuse when Using Tools Agentically | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。同一MLLM在no-tool与ReAct四视觉工具条件下配对，测拒绝失败；按tool次数诊断context dilution，并逐轮重注入原请求比较缓解。 |
| 2610.03894 Proxy Confidence: Auditing Black-Box LLM Agents with a Surrogate's Log-Probabilities | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ProxyConfidence 用独立开放 surrogate 的 teacher-forced/PMI与YES-NO/tool竞争logprob为blackbox actor行动打分，按regime校准方向后融合，并用于audit/修正选择。 |
| 2610.03820 From Requirements to Attack Trees: Grounded LLM Agents for Design-Time Security Review | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。从需求与架构图抽取带信任边界的实体图，按目标分派攻击树 worker；联合验证后只重建受影响分支，保留稳定 ID，最多三次。公开 Microsoft IoT Edge 威胁模型可作为参考任务，核心流程可进入安全 Agent 实现队列。 |
| 2610.03796 ProsaBuddy: Assisting Mechanized Real-Time Schedulability Analysis with LLM-based Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ProsaBuddy primary两阶段lemma decomposition+领域guidelines/skills→隔离subagents，Rocq结果在独立OS进程AST审计：proofbody仅ProofStep/Query，外部只允许trustedimports，库readonly，禁止改theorem/axiom。17lemma成功、去skills12/去decomp14/去paperhints15；完整headline含人工proofhint必须分为hint-assisted不当无gold能力。Audit TCB超kernel未形式验证，难题弱模型省略非全矩阵。 |
| 2610.03780 OceanMind: A multi-agent AI system for ocean diagnosis | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。OceanMind 六角色按 query routing→skill planning→确定性工具编排→证据综合分析海洋状态，缺工具由受限 CodingAgent 补充，数据 artifact 通过引用与 role-specific memory 传递。 |
| 2610.03631 NeutronGym: Physics-Graded Neutron Instrument Design for LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。NeutronGym 22 MCP tools管理McStas真实仪器、缓存编译后参数仿真；syntax/runtime/structure/science四级reward，程序化族经过无模型规则及固定答案shortcut admission，再GRPO训练。 |
| 2610.03591 HazardWeaver: Scientific Route Selection for Hazard Analysis Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。HazardWeaver 从文献编译Satisfied/Violated/Unresolved科学条件，以typed capability graph找可执行route，LLM在两者交集选择/修复，独立hidden route/时点/provenance/预算评分。 |
| 2610.03585 Threat-Preserving Representation Sensitivity in Agent-Security Benchmarks | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。TPRS 固定任务、harm objective、policy、scorer与环境，仅替换tool representation，对ASB/MCPTox/AgentDojo分别量化ASR与benign utility。 |
| 2610.03574 HyperBrowseComp: A Multilingual and Multimodal Stress Test for Web-Browsing Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。HyperBrowseComp 423人工多语/多模态证据链短答，以no-internet过滤容易题；统一ReAct25步与provider-native/Exa/OWL三条件，保存实际web trace和短答judge。 |
| 2610.03524 From Benchmarks to Production: A Text-to-SQL System for Complex Financial Data | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。FLINT lookup从reference表解析opaque ID，检索专家query bank结构示例，FK-chain schema linking→SQL→执行error reflection；多步骤并行。 |
| 2610.03448 Passing the Test You Trained On: Re-evaluating Prompt-Injection Detectors for LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。重评15 injection detectors：差分replay构造clean/injected tool输出，按default阈值/lowFPR测TPR，审训练重叠，并用task-aware yes/no logprob judge诊断缺失任务语境。 |
| 2610.03315 Lightweight, Rubric-Guided Trajectory Evaluation for Production AI Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。LiteTrajEval 离线domain rule profiles，在线规范化trace/弱failure hints，格式compaction+重复引用、tier waterfall预算与MMR证据选取，单rubric judge输出故障诊断。 |
| 2610.03226 D2K-Bench: Can LLM Agents Turn Expert Designs into Efficient GPU Kernels? | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。D2K-Bench 配对26task/85workload有无专家L1–3设计guidance，agent iterative Triton编辑/compile/profile/submit；数值与stateupdate、implement validity全通过才按geomean speedup选候选。 |
| 2610.03213 Toward SLM-based agentic task-tool intent matching | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Gemma task-tool relevance 以Base→GEPA→LoRA SFT→DrGRPO curriculum，deterministic格式/标签/长度reward，候选逐工具Boolean判断。 |
| 2610.03102 Ask, Relax, or Act? Evaluating Actionable Indeterminacy in LLM Preference Reasoning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Ask/Relax/Act 以admissible preferences/objectives下accepted action交集判定可行动/需问，infeasible则最小允许repair；四finite结构exact solver生成matched intervention pairs。 |
| 2610.03099 Beyond Single Videos: Benchmarking and Active Evidence Seeking for E-Commerce Cross-Video Reasoning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AdsCVR/AdSeek 多视频frame/audio选择逐轮证据，GRPO correctness+.1format，过滤no-tool/zero-var group并最多三次resample；teacher诊断missing evidence/reasoning→定向rectify→assistant-mask SFT。 |
| 2610.03089 Securing Computer-Use Agents Against Branch Steering Attacks | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。COBRA trusted-input预规划并承诺程序，BRH以先定branch/field约束解析观察，HTTP/MCP代理强制operation、参数、approved schema hash；fused5plans保留合法alternative。 |
| 2610.03036 WebFovea: When the Model Is Right but the Click Is Wrong -- Reliable Round Trips for Vision-Based Web Agents on Live Websites | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。WebFovea hardens视觉action roundtrip：解析特殊token、坐标space映射、select/fill实际读回、反馈状态、五截图history与bounded DOM text通道，executor约束动作预算。 |
| 2610.03020 DyadMem: A Long-Term Memory Benchmark of How Agents Work with Users | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DyadMem 分Capture/Update/Recall与full pipeline，six memory types含agent-user协作URAM，chronological delete/add/dedup，terminal valid-bank recall与grounded QA并测。 |
| 2610.03014 Beyond Predefined Sinks: Security-Aware Dependency Analysis for LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。AgentSecGraph permissive sensitive-op anchor→framework normalization→typed Security-ADG，Python AST backward trace识别覆盖constant切断，JS lexical trace，保留guard/trust-boundary provenance。 |
| 2610.02970 A Guideline-Augmented Multi-Agent Framework for Schema-as-Code Biomedical Named Entity Recognition | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。GAMA 从train gold归纳annotation rules并按train支持验证，TopN/type guideline memory→ranked span/type plan→schema-as-code→grounding/type/structure双环修复。 |
| 2610.02952 GTDD: Generative Test-Driven Development for AI Coding Agents with Adversarial Testing | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。GTDD candidate/config先commit，source-informed或blind tester生成valid input不生成期望输出，可信reference差分、最短prefix/operation删减、最多k反馈；fresh审计与开发tests分离。 |
| 2610.02928 Discriminating Fixture Coverage in Agent-Infrastructure Verification Suites | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Discriminating Fixture Coverage 冻结projection suite/hash后对外部mutants测kill，instrument区分未激活与污染未可见，按预测七input维度加fixture、原oracle不改复测。 |
| 2610.02925 Positive-Unlabeled Learning for Agent Safety False Alarm Auditing | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Safe-alarm PU ranking以OOF role boundary transfer TN、mass-constrained soft-protection减弱误警负梯度；frozen references median rank/reliability-gated distillation，hierarchical TN与cross-alarm约束KL rank refinement。 |
| 2610.02885 PsyEvo: A Personalized Counseling Agent That Self-Evolves at Test Time | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。PsyEvo HBSP固定population skill prior加client Gaussian posterior采样，SOCA双顺序agreement DAG选回复与mean-preserving ordinal delayedcredit；session间group-normalized weighted DPO更新shared LoRA。 |
| 2610.02814 VeriPy Source-Preserving Verification and Compatibility Checking for Python Components | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。VeriPy 保留Python executable AST，显式admission/environment将spec直接降Dafny或Lean，proof sidecar与axiom gate、hash-bound guards、原body/model differential tests及scoped compatibility。 |
| 2610.02740 Prospective Hindsight: Self-Calibrating Reinforcement Learning via Prediction-Reality Gaps | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。PH同policy共享参数自评只见state/action不可见privilegedfuture，ternary多数票与实际结果不一致则stopgrad(1+alpha)乘base RL/OPD/Combined loss；未知类中性。OLMo3-7B单轮verifier/多轮PRM+用户模拟、随机同质量reweight控制。校准解释非保证，alpha2可坍缩成预测失败；额外M forward训练开销必须计，不能让测试gold流入自评。 |
| 2610.02710 Self-Supervised Scaling of Terminal Environments for Scientific Domains | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SWR将500真实workflow包装成3000任务，public IO/hidden judge隔离；typed scenario、replay反例与hidden完美一致筛SFT，重复采样只是重权重非新轨迹。SWR100是同workflow的新task不是unseen-workflow；35k开发校验与独立200case冻结后audit分开，2%误接/误拒；oracle public-output选择仅反捷径诊断，不能供agent。方法可复用，正文未给可定位作者完整释放入口。 |
| 2610.02687 Decoupling Memory from Context: Structured Memory for Token-Efficient Test-Time Continual Learning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。GraphMemory对ACE新增compact index entry选择与有向证据图，2hop/12nodes/2500tokens BFS，Beta(1+help,1+harm)均值排序，生成归因仅允许已载入节点，Curator显式创建/删除边。不是端到端O(1)，index随库增长；FiNER/Formula val选memory、heldout test，省token但query约1.8倍慢且部分准确率低，不能宣称全面优越。 |
| 2610.02670 LEAP: Learning Efficient Action Proposals For LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。LEAP target canonical-action LoRA NLL训练tinydraft，无targetlogits；克隆环境先proposal，再同GPU并行targetverify、只提交匹配前缀并移交克隆状态不重复工具。OpenAGI/TaskBench无工具执行，tau2/BFCL为localbackend；1.10–1.63x whole-task speedup有任务配对bootstrap。真实外部副作用不能安全clone则不适用，targetauthorship不保证并发下trajectoryidentity。 |
| 2610.02638 Batched Speech Decisions Without Decoding: Single-Token Supervision Lets a Frozen LLM Hear Beyond the Transcript | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DuplexJev冻结ASR/LLM只训connector，内容transcriptKL与决策单letterCE混合；typed选项随机位置；共享prefix KV+blockdiagonal suffix mask+restartposition精确批量logits读出。A多层fusion不胜B末层，speaker-disjoint真人语音，情绪训练ZJUcontent仍降6–17点、混loss非全解决。流式160–200ms仅部署构想未测。可纳语音决策/批量readout基础算子非完整duplexagent。 |
| 2610.02617 WebUIProof: Benchmarking WebUI Code Generators with UI-Agent Execution Harness | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。WebUIProof以DOM+视觉UI agent执行测试，build failure计零、Full+0.5Partial聚合，判定依赖grounding/stepbudget，100例人工一致率约80%非确定oracle；VisRL组合截图/交互/analyzer reward PPO。官方公开149general任务和build/eval/compute_acc代码，但论文219含70个3D任务未见repo对应，复现先限定149，RL/3D不能默认已开源。 |
| 2610.02616 VERSE: Verified Self-Evolving Optimizer for Agent Harnesses | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。VERSE在固定权重harnessoptimizer上增加trace minimization、draft验证双通过、replay/perturb、失败模式audit与optimizer自身prompt/tool/hook更新。110train50val108Marchtest与107JulyOOD隔离；每行一次evolution、test重复3次，不是3个独立搜索seed，compute不完全相同。静态验证器/预算及val选择要保留；不能把单次flip当修复。 |
| 2610.02588 Open-Endedness Bench: Measuring Epistemic Process from Agent Records | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。OEB将轨迹转act/proposition证据卡，substring核验引用、三次closed-question投票建epistemic图、确定性聚合；无机会abstain且<5机会不计。四能力轴与persona分离，不能总分混加。90人工audit、119已有runs/12tasks，相关非因果；median652judgecalls不宜伪称低价在线reward。官方MIT pipeline/converters及HF scored runs已核。 |
| 2610.02569 Pincer: Resource Authorization for Agents using a Digital Twin | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Pincer以OS完整资源中介与隔离twin为TCB；可信用户state+PRF逐路径段去语义accesspattern、content与precommittedpolicy三票合取。PRF保护只针对资源名优势，非全系统注入免疫；历史access不等于用户授权。合成两persona各单模型、条件ASR/BGR是资源gate非终局任务成功，implementation/data正文称即将发布，算法可候选但数据集不可声称已公开可运行。 |
| 2610.02542 How To Train Your World Model: Fine-tuning vs RAG for LM-based World Modeling | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。LM worldmodel研究FT与RAG并提出HWM：同episode排除的历史transition检索条件NTP，query用observation/action分层检索可选；frozenpolicy统一规划流程。五模型环境20组合17胜是作者实验；oracle实际环境与top20后验gold重排只diagnostic，不能给部署策略。非constructedWM在9/20胜说明外推有限，transitionfidelity与taskutility必须分报。 |
| 2610.02525 Learning What to Investigate Next: Meta-Reasoning for Long-Horizon Research Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MIRA固定curation/executor仅训练外层workorder/terminate研究决策；共享actorcritic以单token离散return分布KL、决策级GAE与跨版本bootstrap bridge，ratio范围外mask policygradient但保留logratio²penalty，actor/critic独立buffer及optimizer顺序更新。四研究环境、proxy/gold分开；shared初始化来自critic故消融不隔离参数共享本身，内层tool/实验token不训练。 |
| 2610.02523 Hypothesis-guided discovery of cognitive algorithms via program refinement | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。从人写FlipPy认知程序出发，Game提出behavioral revision、Coding实现、Audit最多5修复、Inference算行为likelihood；846候选733可执行后语义cluster选24代表，不是全自主理论发现。heldout trial未参与生成/选择，72/137改善；synthetic recovery仅8.4%回收75%预测差距，限制明显。特定领域应用，但受约束程序改进与heldout likelihood选择可形成通用evolve算子；匿名OSF未提供可定位链接，不能声称材料已核实。 |
| 2610.02480 MEA: A Reward-Driven Multi-Agent System for Faithful Model Explanations | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MEA共享backbone Proposer工具策略/Actor解释，以遮挡再query原classifier衡量faithfulness，两段统一terminalGRPO advantage；vision mask面积λ.3与toolcountλ.05抑制gaming，text/tabular top25%约束。三模态及未训练Q8/Q9；遮挡是模型行为诊断非现实因果证明，必须保留真实classifier/XAI调用，不用LLM自评代替。 |
| 2610.02478 Tropical Reinforcement Learning | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Tropic对deterministic resettable环境维护已观测状态/片段图，每轮冻结actor重评分，max-plus prefix/suffix求最佳verified可达路径，frontier补采样与topL拼接必须整路径重放验证；best+低覆盖archive路径per-tokenNLL更新，无rewardbaseline/负向项。四环境两backbone三trainingseeds、heldout实例；不能用gold路径或不具可重置性真实API冒充。 |
| 2610.02472 APDMem: Agent-Controlled Progressive Disclosure for Query-Adaptive Long-Term Memory | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。APDMem L0摘要索引/L3原文先建，L1事实/L2turnnotes按需缓存；hybrid+RRF search与agent自主drill，reflection无新证据或20步停，draft→organizednotes→answer。LongMemEvalS500，baseline从文献取非全重跑；onlinecost只本方法有且排除共享answergenerator，不能宣称等预算优于全baseline。 |
| 2610.02460 CUEing User Simulators: Calibrated User Embeddings for Multi-Turn Benchmarking | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CUE将userturn与前序assistant attention编码、slotcommanddecoder及latentdiffusion采样，content抑制不保证去除任务/结果信息。completed-human-trajectory条件replay是回顾校准而非未来预测；无目标轨迹的sampledpersona才新用户模拟，sessionmixture不等于人群分布。483tauUSI及heldout SimulatorArena/PRISM；官方Apache2 runtime/training和HF模型/annotation/examplepool入口可用，未执行代码。 |
| 2610.02425 Finding the Move Is Not Winning the Game: XiangqiBench for Closed-Loop Evaluation of LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。XiangqiBench119搜索+人工验证残局（非形式证明），gold解法不入agent工具；40ply/depth18固定defender、三次连续非法失败、简化重复规则。8568轨迹12模型2设置3trial，pass@3与全部成功分报；Sighted/Restricted提示也不同。官方MIT run/score与数据卡公开，PikafishGPL另计，原NNUE被替换须冻结engine+network不可直接换新版。 |
| 2610.02404 Trained Agentic Context Management | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。训练agenticcontextmanagement：最小read_chunk/spawn工具，SFT oracle合成tree-reduce/sequential-fold/边界扩读策略，非成功RL方法（RL退化）。RULER每type5、OOLONG每family10且nativebaselinecontext不同，8kagentbudget可扩展但未正式量化成本；temperature经验选需另设validation，不能把oracle训练脚本开放给评测agent。 |
| 2610.02396 Inherit-MAS: Test-Time Evolution of Multi-Agent Systems through Workflow and Execution Inheritance | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。InheritMAS对latest-incumbent DAG先prune再一次edit，最终单独judgelexicographic排名；继承仅exact resolvedrequest含模型/参数/上游/环境指纹且recordhash有效的只读节点，statechanging sink每次live。WorkBench/HotpotQA，部分baseline retrievalbudget非完全同，inheritedtoken只是等价历史量不是实际消耗；judge最高不保证真实utility单调。 |
| 2610.02361 SEDIMA: Cross-Run Hierarchical Insight Memory for Evolutionary Search Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SEDIMA每evaluation写raw→LLMinsight→attentioncentroid cluster，mutation前cluster/insight检索与证据trace→3建议，不改evolve搜索器。AlgoTune/ALE私有评分与publicfitness分离、memory由disjoint问题建；cold也在线写记忆。100候选匹配不等token/calls，主表单run，ablation/transfer才3seeds；boundedcontext非总检索常数成本。 |
| 2610.02351 DeReAct: Decomposed Reasoning and Acting for Reliable AI Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DeReAct Brain提intent/command、独立Critic按约束failclosed gate、CM只保环境支持state并判完成，Brain另见首5+recentwindow。GAIA165/SWE489 native非LLM成功评分，3attempt pass1与pass3，groundingjudge另算；CM是模型判定非形式验证，Claudecritic/CM固定且非真实外部副作用验证，不能把successflag替换真实benchmarktest。 |
| 2610.02349 MIRROR: Multipath Quorum Integrity for LLM Multi-Agent Communication | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MIRROR发送端一次生成canonicalbytes，5逻辑路由3payload2digest majority恢复；unkeyedhash非认证，安全完全依诚实endpoint且受控routes<半数/二次原像。AutoGen/CAMEL/MetaGPT和Gemma/Gemini评测只logicalroutes同backend、无真实独立故障域/时延测量；只抗in-transit篡改，不抗已被注入sender，须保留此条件。 |
| 2610.02330 Choosing Before Acting: Comparative Value Estimation for Long-Horizon Tool-Use Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CITA/CIM由observed同context成功率、Bayesian图synthetic无真实API、LLM模拟比较三源训练valueBCE+gapMSE+transitivity/confidence，Vc排名nexttool，confidenceweightedvalue与taskreward混合GRPO。Toolathlon/TOUCAN/TRAJECT、Qwen7B/Llama8B；value不是因果反事实真值，sandbox必须标synthetic，真实闭环评估不可由自身CIM评分替代。 |
| 2610.02304 SimuVerity: Benchmarking Agents for Engineering-Grade Simulink Model Generation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SimuVerity101任务10工程域，publicspec/profile与hidden场景阈值隔离；交付/执行/工程qualification三gate后六维评分，非交付/候选故障计失败、基础设施故障重跑。6agent每任务3次，10强任务消融为选择性子集非总体因果。官方Apache2仓库公开101任务/scenarios/scorers/reference或importrecipe与结果验证；运行依赖逐任务MATLAB/Simulink商业产品和第三方资产许可。 |
| 2610.02204 Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。RPG从ABC视频重建MuJoCo任务并人工检查冻结evaluator；Runtime只部署观测，privileged独立episode供failureanalysis，Implementor修改skill/prompt，paired5seeds跨22任务gate平均增且单任务不降超.2，merge后重测。15轮单run/候选compute不匹配；savedround heldoutseed回顾评测非未见task，3实机各10trial统一标定冻结，不把privileged轨迹当部署policy。 |
| 2610.02202 ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ScholarCatalyst207真实项目894查询（207Core/687Sub）作者验证inspiration与hard negatives，删solution泄漏并按源论文完成时间截断corpus。Recall标签不完备；oracle候选重排只诊断不供agent。公开191k文档、evaluation及受限本地corpus agentic-search脚本，CCBYNC4，适合检索/科研评测入口而非新训练loss。 |
| 2610.02161 DuoMind: Enabling Distributed Multi-Robot Coordination with Semantic Communication | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DuoMind每机器人VLM高层orchestrator、VLA动作，四字段意图/子目标/信念/可选不确定性通信，无联合特殊训练；7RoboPoly+8RoboTwin双臂改分布、每任务50双机器人demo转100单体训练。共享global相机+本地wrist，模拟两机器人非实机大群体；通信与π0替换消融支持模块可复用，不能宣称更大规模部署。 |
| 2610.02150 From Knowledge Access to Source Learning: Developing Source-Specific Competence | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。SourceLearn持久source-grounded实体表示，Inspect/Deepen/Connect自学+consolidate；taskguided只用训练guidance答案诊断缺证据并重读source，更新representation/prompt不是模型权重。五任务、3次30/70guidance/test分割与AppWorld官方split；测试答案不得进入memory，QA judge与原生执行指标分开。 |
| 2610.02005 Counting Moves, Weighing Voices: Bayesian Dialectical Argumentation for Calibrated Multi-LLM Councils under Persistent Adversaries | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。BDA把Propose/Challenge/Concede转签名endorsement counts，积分Beta可靠性的DawidSkene式汇聚，约25标签校准同预算比较；K>2伪似然需tempering，校准理论仅二类无challenge等条件。标签身份稳定学习在位置MCQ失效，sleeper攻击/可靠性突变不保证；是新聚合机制非无条件鲁棒获胜。 |
| 2610.01769 CONTRA: Discovering and Qualifying Behavior-Changing Questions for Selective Clarification in LLM Code Generation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CONTRA先多轮发现问题，再要求相关且原需求未解决；每种可能答案采3程序、>=7共同输入，组内2/3稳定且至少一输入跨组不同才保留，失败非等价证明；history自适应选问或stop。419欠指定+80完整任务最多5问，GPT4o三票gold匹配；四模型macro F1 41.20vs27.32，程序隔离执行。通用执行证据澄清算子，plugin部署非线上A/B。 |
| 2610.01569 Managing Context and Communication in Distributed Agentic UAV Swarms | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。分布式UAV新增peer-tag残差embedding+recency novelty最小距离gossip，管理员离线双阈值决定discard/compact/full，接收queue只是邻居已知的估计；三内存tokenFIFO、ID/path/TTL去重。10机SITL搜救，80211n解析模型非实机网络；proposal全完成而flood70–85%，后续耗时/误差仅成功run条件统计，不可只看省6–7MB到<0.5MB。通信/记忆策略可泛化候选。 |
| 2610.01564 Chaining Skills to Hijack LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。APEX跨skill中间artifact将工作进度错误提升为授权，独立sandbox执行反馈优化chain；防御taint+原请求核验。690attempt四定向families512成功，family任务重叠，utility按checks权重不是整任务成功；workloop token增不自动构成越权。官方MIT执行/trace判据/参考controlled variants公开，SkillsBench另取；只纳防御沙箱评测，不执行外部攻击。 |
| 2610.01508 OverAct: Measuring and Mitigating Proactive Over-Authorization in LLM Tool-Calling Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。OverAct以保守literal-minimal工具集定义越界（非普适授权法则），8域48tools/240双标原题扩720paraphrase，set操作无LLMjudge。SelfAudit先request-grounded justification再preexecution filter不需oracle，filter承担多数收益，justificationalone反恶化；TCR .94→.89。可纳入权限过滤机制候选，本文称附材有logs但未定位公开下载，不把720题宣称已接入可执行benchmark。 |
| 2610.01506 MCRI: A Four-Dimensional Framework for Analyzing and Evaluating Agent Skills | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MCRI可执行文本rubric四维Metadata/Constraints/Resources/Instructions先各1–5再task-conditioned aggregate，重复mean score×mean confidence选skill。3公共bench50subtasks/345Mind2Websteps，58275calls；相关/popularity不等于因果或通用质量。AppendixD完整评分器足以作为候选预筛机制，但F明确/Resources未包含且无公开repo，不能声称复现实验或公开全数据。 |
| 2610.01023 Groundability, Not Scale Alone: When Weak Reviewers Can Audit Strong Coding Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。reviewability框架区分agent testimony/结构化/独立grounded证据；冻结cascade先空patch/新增staticerror再generatedtest（须base行为失败）再8Breview+abstain。official hidden test仅upperbound不能部署；32Django设计后121/122 GPT+59Gemini一次test，risk .33/.26、overreject .66/.67，generatedpass非证明。可纳独立核验/弃权策略候选，不能宣称可靠弱审强或总成本优势。 |
| 2610.01017 Pay for the Fault, Not the Flow: Label-Free In-Flow Multi-Agent Workflow Optimization | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。InFlowOp cost=-log rubricsmatch造workflow，topdown拆/bottomup合并，运行中declaredinput/output contract判decomposition/assignment错，先换agent再局部重拆，invalidates descendants重跑之外缓存。无gold但semanticmatch非oracle；rollback不劣仅在检查可信/副作用可还原条件下。Braid8域，3闭源仅5域，singleLLM没工具无法读文件基线弱；同turnbudget单agent比较更有意义，profile成功筛选避免test跨样本泄漏。 |
| 2610.00979 RISED: RubrIcs for agentic multi-environment Selection and sElf-Distillation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。RISED固定rubric词表(4环境82/主3环境59)，Qwen32B异步tag每rollout；环境roundrobin定quota下MMR pooled相关−已选冗余选64/128groups，正负rubric选样但teacher仅top3positive union，k3OPD重要性比+GRPO，负rubric用于steer。3环境Qwen3/4B，强baseline仅+1.2/.6pp；半optimizer步不等半总成本，62.9%zero-variance组OPD仍有信号；删distill消融同时删negative steering要注明。 |
| 2610.00977 ABSENTIA: Detecting Broken Access Control Vulnerabilities in Web Applications | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ABSENTIA应用profile→双LLM抽pattern并集构routegraph→逐route声明invariant、查enforcer并source-grounded反例→共享file跨routecomposition，byte-identical依赖闭包缓存跨commit复用。BAC30已披露漏洞25项目，advisory/fix仅oracle；fixednegative仅对应bug非全repo安全，precision独立human73sample未确认LLMjudge增益。静态白盒defensive审计算子合格，代码正文willavailable不能声明已发布。 |
| 2610.00885 FORALL-LEAN-AGENT for Auditable Reasoning in Formal Mathematics and Software Verification | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Forall-Lean-Agent隔离actor与fresh readonly reviewer、同artifact digest双批准；proofbodyless检索、OS全进程树sandbox/provider-only proxy、syntax/name-shadow/axiom审计，再serial clean验证。100VSB/672Putnam与2LeanEval；benchmarkrule/strict/independentkernel分母不同，legacy参考泄漏与filedrift有排除不能算能力。成本/compile/review预算非一致，不把harness收益归单模块。 |
| 2610.00710 ReLiveGym: Evaluating Long-Lived Agents over Weeks of Replayed Reality | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。ReLiveGym8任务真实流回放数周，clock只在wait推进不模拟LLM延迟，observations按timestamp隔离；deterministic timedcommit score+hardcostwallet，sleep/watcher/cron和dailyhindsightmemory/BoNprune。BoN仅过去已结算反馈选次日，无未来gold；某任务得益非全面。官方代码/8scorer/config公开但无数据随仓，DATA提供公开重建而bundle链接占位；需33GB，时间推断有误差，Linux无OSfence仅禁shell。 |
| 2610.00675 LabBook: Harnessing Experimental History for Efficient LLM-Driven Discovery | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。LabBook单自由文本semanticmemory+losslessexperimentlog，latest完整code/result+best/stagnation信息自动入context，agent最多5次History/Code/Result只读检索并共同输出完整新program与memory，不强制bestparent。49FrontierCS+9公开任务同模型prompt/evaluator，去memory/去retrieval、fullhistory/最高分检索消融；跨任务分数按各task最佳归一仅聚合，测试选择应validation隔离。代码willrelease但机制完整可候选。 |
| 2610.00651 Agent Evaluation Reliability: More Tasks Won't (Always) Fix An Agent Leaderboard | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Bernoulli-logit Bayesian交叉variance分解区分model与model-scaffold部署对象，π²/3剩余项因单cell重试不足不可再分。29,923HAL/54model13scaffold，D-study后验传播显示加任务不能消掉model×scaffold/benchmark方差；均衡exchangeable且setupcost假设下的breadth结论非任意新任务更好。官方MIT R/Stan tests+公开outcomes、美元是价格假设非实测，可纳评测可靠性/预算分配分析工具。 |
| 2610.00648 Incident-Arena: Getting agents to the last nine of reliability | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。IncidentArena20K8s故障3substrates，hidden deterministic outcomeSLI+restart/reattack安全gate，healthy阈值先冻结，oracle/noop+adversarial QA；nativeharness3000trials，13Slack导致coverage不均、reasoning差异CI宽，rewardhack posthocjudge不等hidden scorer。官方Apache2任务/Harborfork公开，LinuxDocker8CPU16GB40–77GB；需隔离cluster/secret并不能用生产权限直跑。 |
| 2610.00613 Spatial Strategies, Not Actions: Vector-Quantized Geodesics as Tools for LLM-Driven Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。离线250geodesic五步片段原点归一VQ/Kmedoids压5prototype，加5primitivewait工具；LLM一次描述、运行只选五步openloop，optionalcollisionfilter仅已观察障碍。单QwenVL格世界无高维泛化，signedmeasure动态增skill纯proposal未测；需保留真实geodesic采样与VQ，不用手写技能冒充。机制可作spatialtool建库候选。 |
| 2610.00435 How AI Agents Discover Scientific Equations: From Hydrotope Rediscovery to New Water-Wave Amplitudes | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。PI 将解析与数值探索分配给两位学生，共享记录并独立用 BG 递归找反例，重建跨频率 chamber 的全局振幅公式。 |
| 2610.00400 Representation Transitions Reveal Emerging Safety Risks in Multi-Turn LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DART 用危害减良性 transition 均值方向，去除良性均值和主协方差方向，在 segment 边界累积投影，阈值触发后定位最大贡献段并添加提醒再生成。 |
| 2610.00372 When Harnesses Lose the Signal: Causal Evaluation of Recovery in LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CIR 从同一环境状态配对重放 refresh/不 refresh，区分 rescue 与 harm；三 logistic 模型分别预测异常及两种成功，OOF 阈值在 clean-harm 约束下选择，按时间最多刷新一次。 |
| 2610.00354 Proof-Gated Signing: Solver-Checked Transaction Guards that Hold Under State Drift for Onchain AI Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Proof-Gated Signing 先模拟交易抽取资产变化，再由 Z3 验证价格区间内策略，编译余额/收款/allowance/owner 后置条件，由钱包原子执行与回滚防止 check-to-inclusion 状态漂移。 |
| 2610.00313 Rules to Tools: Executable Checks for LLM Agents in Scientific Computing | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。Rules to Tools 将公开物理方程/边界/输出约束编成可调用checker，修复时提供artifact实际残差，独立隐藏grader给最终成绩；匹配text与tool组保持书面规则、探针和budget一致。 |
| 2610.00182 Localizing Post-Wire Semantic Changes in MCP Agent Frameworks | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。MCP post-wire差分测试用allowlisted projector保留语义atom与compartment，分别检查协议合法、类型语义留存、特定consumer可访问性，并沿各框架公开carrier边界定位。 |
| 2610.00097 DramaAgent: Agentic Storytelling Video Generation | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。DramaAgent 层级分镜、固定角色reference、逐scene候选视频与音频生成，以身份/语义/时序/音画加权评估，针对最弱维度改写并有限次数重生成。 |
| 2610.00025 Measuring the Microtask Eligibility Gap: When Is an Off-the-Shelf SLM Enough for an Agent Harness? | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。四microtask用非LLM基线预定质量门槛和CI判定SLM eligibility；calibration上选logprob operating point，memory BM25 shortlist→SLM rerank及tool基线gating。 |
| 2610.00012 When Do Causal World Models Help Modular LLM Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。FedCausalCompose的局部干预响应匹配、边发现与组合约束可作诊断性Agent世界模型候选；真实实现必须学习边，不能以oracle边替代。 |
| 2610.00010 Heavy-Tailed Memory Traces in Long-Horizon Language Agents | 尚需成本/范围裁剪或交付；未排自动队列 | 未在本轮独立确认；不是已排除 | 审查通过，待核心算法实现与公开验证。CTWM以访问排名幂律预算分配核心/尾部记忆，适合作为可执行记忆压缩机制候选；不能将近零任务成功率的token节约宣传成能力提升。 |
| 2510.15831 VISTA: A Test-Time Self-Improving Video Generation Agent | 完整实验不复现，审查DONE；低成本组件另议 | Google/Meta 已确认，见优先清单 | 审查通过，待核心算法实现与公开验证。Google高优先历史补发现：结构化prompt规划、双向tournament保留champion、三维normal/adversarial/meta批评、DTPA修订后实际重生成/再选，属于可执行Agent自改进闭环而非视频主干创新。 |
逐项登记指针、标题和当前状态见 reconciliation.json。