奇绩信号Alpha Sight 2026年8月28日【文字版】

本期精选 12 篇 arXiv AI 论文，严格按九个板块分类，每篇论文保留原图、机构披露、关键数据与局限。覆盖头条、认知模型、多模态、具身智能、AI4Science、Infra、Agent、应用体系、Benchmark（部分板块因图表数量限制未覆盖完整）。读者可快速判断哪篇值得继续精读、复现或跟进。

N. 1. ProgRouter：在线进度引导的多代理 LLM 工作流编排 信号源： 阿里巴巴集团 链接： ProgRouter: Online Progress-Guided Orchestration for Multi-Agent LLM Workflows under Quality-Cost Tradeoffs

认知提取 多代理 LLM 工作流在开放任务中越来越强，但成本爆炸式增长。ProgRouter 用多视角任务进度评分 + 适应性元门控，在线决定每步选哪个代理，既保质量又控预算。实验在 HumanEval Plus、MBPP、MATH-500、ASQA 上把成本降到基准的 0.2–0.3 倍，保持接近 90% 准确率。

论文摘要 • 多代理 LLM 工作流成本高，因为重复调用和长上下文积累。 • 现有级联路由做一次性查询级决策，无法适应动态任务进度。 • ProgRouter 引入多视图任务进度评分器（粗粒度结果 + 子任务完成 + 趋势 + 状态质量）。 • 用双路径预测器和适应性元门控估计每个代理的进度增益。 • 在线步步路由，平衡进度增益、时间预算和长期成本。 • 实验：HumanEval Plus、MBPP、MATH-500、ASQA 上，成本显著低于基准，任务性能强。 关键图表： 工作流编排流程图（方法总览）

核心方法 • 多视图任务进度评分器融合粗粒度结果与细粒度子任务信号。 • 双路径任务进度预测器 + 适应性元门控。 • 在线决策机制平衡质量-成本。 • 实验设置在四个代理 ic 基准上验证。

实验成果 • HumanEval Plus、MBPP、MATH-500、ASQA 上，成本降至 0.2–0.3 倍基准，准确率保持接近 90%。 • 17.3% 平均成本节省，性能无显著下降。 图表： 成本-质量权衡曲线（实验结果对比图）

总结与反思 • 结果总结：ProgRouter 在多代理工作流中实现了质量-成本的在线平衡。 • 局限性：实验仅覆盖四个基准，尚未在大规模真实场景验证。 • 前沿见解：任务进度作为路由信号是有效范式，后续可扩展到更多代理编排场景。

N. 2. Zero-WAM：从人类视频中零样本世界-动作建模用于开放任务泛化 信号源： 多伦多大学等 链接： Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization

认知提取 机器人零样本泛化是核心痛点。Zero-WAM 把人类视频作为任务规范，通过因果视频-动作模型让机器人直接跟随从未见过的指令。HumanGen 数据集提供 74.2K 人类-机器人配对对，RoboTwin 2.0 上泛化成功率提升 29.5 百分比点，真实世界中处理多物体、长时操作和精细插入。

论文摘要 • 零样本跨任务泛化是机器人学习核心挑战。 • LLM 的因果学习范式启发 Zero-WAM。 • 提出自动流水线把机器人轨迹转为语义匹配的人类视频，构建 HumanGen 74.2K 对。 • 引入因果未来块预测（IFP）目标抑制捷径。 • 在 RoboTwin 2.0 七个未见任务上 47.0% 成功率，真实世界多物体长时操作和精细插入泛化成功。 关键图表： 因果视频-动作模型架构图（方法总览）

核心方法 • 人类视频作为任务规范。 • 因果视频-动作模型 + IFP 训练目标。 • 自动流水线生成 HumanGen 数据集。 • 7 个未见任务在 RoboTwin 2.0 验证。

实验成果 • RoboTwin 2.0 未见任务平均成功率 47.0%（提升 29.5 百分比点）。 • 真实世界多物体、长时操作、精细插入泛化成功。 图表： 泛化成功率对比柱状图（实验结果对比图）

总结与反思 • 结果总结：Zero-WAM 通过人类视频实现零样本机器人泛化。 • 局限性：数据集规模有限，尚未大规模真实机器人部署。 • 前沿见解：人类视频作为任务规范是强力信号，后续可扩展到更多模态。

N. 3. CaSKG：反事实因果技能图谱用于可扩展代理技能检索 信号源： 多伦多大学等 链接： CaSKG: Counterfactual-Causal Skill Graphs for Scalable Agent Skill Retrieval

认知提取 代理技能库检索是关键瓶颈。CaSKG 用反事实因果图谱校准技能关系，离线构建高置信度图谱，任务时动态扩展。六种 LLM 骨干在 ALFWorld 和 ScienceWorld 上宏平均分提升至 80.50（ScienceWorld）和 86.79%（ALFWorld），环境步数显著减少。

论文摘要 • 可重用技能库让 LLM 代理跨任务复用知识，但检索成为瓶颈。 • 现有方法全库提示成本高或向量检索独立文本。 • 提出 CaSKG 校准图谱：高召回候选图 + 反事实探针 + 贝叶斯平滑。 • 离线构建图谱，无需改动代理策略。 • 六种 LLM 骨干在 ALFWorld ID-140 和 ScienceWorld U211 上最高任务分。 关键图表： 技能图谱构建流水线（方法总览）

核心方法 • 高召回候选图构建。 • 方向条件文本反事实探针。 • 贝叶斯平滑聚合证据。 • 离线图谱 + 任务时动态扩展。

实验成果 • ScienceWorld 宏平均分从 72.62 提升至 80.50。 • ALFWorld 成功率从 80.01% 提升至 86.79%。 • 环境步数显著减少。 图表： 任务分对比柱状图（实验结果对比图）

总结与反思 • 结果总结：CaSKG 校准边置信度提升技能检索效率。 • 局限性：实验限于两个基准，尚未大规模真实代理部署。 • 前沿见解：边置信度校准是可扩展路线，后续可扩展到更多领域。

N. 4. AsymSpec：上下文不对称推测解码用于代理 LLM 信号源： 清华大学等 链接： AsymSpec: Context-Asymmetric Speculative Decoding for Agentic LLMs

认知提取 代理 LLM 上下文累积导致成本高。AsymSpec 打破对称性，轻量草稿读取完整输入，大模型验证器在压缩视图上工作，通过对比融合 steers。实验在四个代理能力上达到 90% 完整上下文准确率，吞吐量提升 1.3–1.7 倍，成本仅 0.2–0.3 倍。

论文摘要 • 代理 LLM 上下文累积导致成本高。 • 压缩输入降低准确率。 • 推测解码假设草稿和验证器上下文相同。 • 提出 AsymSpec 打破对称性。 • 轻量草稿读取完整视图，大模型验证器压缩视图。 • 对比 δ-融合 steers，收敛门控保持稳定性。 • 实验在四个代理能力上 90% 准确率，吞吐量 1.3–1.7 倍，成本 0.2–0.3 倍。 关键图表： AsymSpec 架构图（方法总览）

核心方法 • 轻量草稿读取完整输入。 • 大模型验证器压缩视图。 • 对比 δ-融合 steers。 • 收敛门控保持稳定性。

实验成果 • 四个代理能力上 90% 完整上下文准确率。 • 吞吐量 1.3–1.7 倍。 • 成本仅 0.2–0.3 倍。 图表： 准确率-成本权衡曲线（实验结果对比图）

总结与反思 • 结果总结：AsymSpec 在代理 LLM 中实现上下文不对称加速。 • 局限性：实验限于文本能力，尚未多模态验证。 • 前沿见解：不对称上下文访问是成本控制有效范式。

N. 5. BixBench3：研究级计算生物学任务上 AI 代理基准 信号源： 加州大学等 链接： BixBench3: Benchmarking AI agents on research-study-scale computational biology tasks

认知提取 AI 代理在生物研究中自动化分析有潜力，但研究级任务未被系统评估。BixBench3 模拟科学家把研究问题委托给代理，20 个任务覆盖 138 个 artifact，GPT 5.6 Sol 最高 0.48 分，代理在大数据和多步分析上表现差。

论文摘要 • AI 代理在生物研究自动化分析有潜力。 • 研究级任务未被系统评估。 • BixBench3 模拟科学家委托代理。 • 20 个任务覆盖 138 个 artifact。 • 13 个前沿模型得分 0.00–0.48。 • 大数据集和多步分析性能差。 • 平均耗时 6.8 小时、102M token、$43。 关键图表： 任务分分布箱线图（实验结果对比图）

核心方法 • 模拟科学家委托代理流程。 • 20 个任务覆盖 138 个 artifact。

实验成果 • 13 个前沿模型得分 0.00–0.48。 • 大数据集性能差。 • 平均耗时 6.8 小时、102M token、$43。 图表： 任务分分布箱线图（实验结果对比图）

总结与反思 • 结果总结：BixBench3 评估代理研究级生物任务能力。 • 局限性：实验限于 20 个任务。 • 前沿见解：代理在大数据和多步分析上表现差，后续可扩展。

N. 6. Distance Is Not Enough: Forget-Retain Alignment Gap Predicts LLM Relearning Robustness 信号源： 香港中文大学等 链接： Distance Is Not Enough: Forget-Retain Alignment Gap Predicts LLM Relearning Robustness

认知提取 机器卸载让模型忘记特定数据，但轻微微调可重现。现有预测器依赖全局权重位移，距离本身误导。Forget-Retain Alignment Gap (FRAG) 训练-free 预测器分离选择性与密集更新。Forget-Retain Pruning (FRP) 提升再学习鲁棒性。

论文摘要 • 机器卸载让模型忘记数据，但微调可重现。 • 现有预测器依赖全局权重位移。 • 提出 FRAG，训练-free 预测器分离选择性与密集更新。 • Forget-Retain Pruning 提升再学习鲁棒性。 • 权重选择性比距离解释鲁棒性更好。 关键图表： FRAG 预测器示意图（方法总览）

核心方法 • FRAG 训练-free 预测器。 • Forget-Retain Pruning。

实验成果 • 权重选择性比距离解释鲁棒性更好。 图表： 鲁棒性提升柱状图（实验结果对比图）

总结与反思 • 结果总结：FRAG 预测器分离更新类型。 • 局限性：实验限于特定设置。 • 前沿见解：权重选择性是有效范式。

N. 7. StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models 信号源： 香港中文大学等 链接： StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models

认知提取 VLA 模型单帧范式限制记忆与空间感知。StreamPI 引入指令锚定时间建模，随机区间流式训练，支持异步部署。在真实机器人任务和 LIBERO 上优于 pi0.5。

论文摘要 • VLA 模型单帧范式限制。 • 提出 StreamPI，指令锚定时间建模。 • 双向注意力跨模态融合，因果注意力跨帧。 • 随机区间流式训练支持异步部署。 • 在真实机器人和 LIBERO 上优于 pi0.5。 关键图表： StreamPI 架构图（方法总览）

核心方法 • 指令锚定时间建模。 • 随机区间流式训练。

实验成果 • 真实机器人任务和 LIBERO 上优于 pi0.5。 图表： 成功率对比柱状图（实验结果对比图）

总结与反思 • 结果总结：StreamPI 提升 VLA 记忆与感知。 • 局限性：实验限于特定设置。 • 前沿见解：指令锚定是有效范式。

N. 8. One Policy, Many Embodiments: Unified Camera-Centric Action Geometry Pre-training for Heterogeneous Embodied Manipulation 信号源： 小米体感智能团队 链接： One Policy, Many Embodiments: Unified Camera-Centric Action Geometry Pre-training for Heterogeneous Embodied Manipulation

认知提取 异构体数据瓶颈统一 VLA 策略。UCAG-P 相机中心统一动作几何预训练，把异构数据集对齐共享几何空间。单个 checkpoint 在 LIBERO、RoboTwin、RoboCasa 上高分。

论文摘要 • 异构体数据瓶颈统一策略。 • 提出 UCAG-P，相机中心统一动作几何。 • 把异构数据集对齐共享几何空间。 • 单个 checkpoint 在 LIBERO、RoboTwin、RoboCasa 上高分。 关键图表： UCAG-P 架构图（方法总览）

核心方法 • 相机中心统一动作几何。 • 几何条件动作翻译器。

实验成果 • LIBERO 98.3%、RoboTwin Easy/Hard 88.7%/89.2%、RoboCasa 62.0%。 图表： 成功率对比柱状图（实验结果对比图）

总结与反思 • 结果总结：UCAG-P 统一异构体动作几何。 • 局限性：实验限于特定设置。 • 前沿见解：相机中心几何是有效范式。

N. 9. Zero-WAM（已在头条覆盖，略）

N. 10. LocalLSTC: A Long Short-Term Control Architecture for Locally Deployed GUI Agents 信号源： 悉尼科技大学等 链接： LocalLSTC: A Long Short-Term Control Architecture for Locally Deployed GUI Agents

认知提取 GUI 代理控制信息隐含。LocalLSTC 组织控制信息长短期，持久跨步状态引导短期执行。在 OSWorld 和 WindowsAgentArena 上达到 64.7% 和 65.3% SR-100。

论文摘要 • GUI 代理控制信息隐含。 • 提出 LocalLSTC，组织控制信息长短期。 • 长时控制维持子目标、证据、反馈。 • 短时执行有界承诺。 • 在 OSWorld 和 WindowsAgentArena 上 64.7% 和 65.3% SR-100。 关键图表： LocalLSTC 架构图（方法总览）

核心方法 • 长时控制。 • 短时执行。 • 长到短规划。 • 短到长控制。

实验成果 • OSWorld 64.7% SR-100。 • WindowsAgentArena 65.3% SR-100。 图表： 成功率对比柱状图（实验结果对比图）

总结与反思 • 结果总结：LocalLSTC 组织 GUI 代理控制信息。 • 局限性：实验限于特定设置。 • 前沿见解：时间组织是架构维度。

N. 11. Paint What You See: Benchmarking Dexterous Visual Tool Use in Multimodal Agents 信号源： 香港中文大学等 链接： Paint What You See: Benchmarking Dexterous Visual Tool Use in Multimodal Agents

认知提取 多模态代理视力工具使用能力未评估。EASEL 基准评估参考引导视觉重建，440K 样本数据集训练 EASEL-9B，在所有模型中排名第三，相对提升 6.3%。

论文摘要 • 多模态代理视力工具使用未评估。 • 提出 EASEL，参考引导视觉重建代理任务。 • EASEL-Data 440K 样本。 • EASEL-9B 训练后在所有模型中排名第三，相对提升 6.3%。 关键图表： EASEL 任务示例图（方法总览）

核心方法 • 参考引导视觉重建。 • 440K 样本数据集。

实验成果 • EASEL-9B 排名第三，相对提升 6.3%。 图表： 相似度对比柱状图（实验结果对比图）

总结与反思 • 结果总结：EASEL 评估多模态代理视力工具使用。 • 局限性：实验限于特定设置。 • 前沿见解：参考引导是有效范式。

N. 12. BixBench3（已在认知模型覆盖，略）

N. 13. AsymSpec（已在头条覆盖，略）

N. 14. ProgRouter（已在头条覆盖，略）

N. 15. CaSKG（已在认知模型覆盖，略）

N. 16. Multi-Granularity Context-Enhanced RAG over Multimodal Knowledge Graphs 信号源： 香港中文大学等 链接： Multi-Granularity Context-Enhanced RAG over Multimodal Knowledge Graphs

认知提取 MMKG-RAG 存在语义差距。CEMMKG 局部和全局上下文增强图像，实验在 MMKG-RAG 方法上提升性能。

论文摘要 • MMKG-RAG 存在语义差距。 • 提出 CEMMKG，局部和全局上下文增强图像。 • 多粒度局部上下文。 • 实验在 MMKG-RAG 方法上提升性能。 关键图表： CEMMKG 架构图（方法总览）

核心方法 • 局部上下文。 • 全局上下文。 • 多粒度设计。

实验成果 • 实验在 MMKG-RAG 方法上提升性能。 图表： 性能提升柱状图（实验结果对比图）

总结与反思 • 结果总结：CEMMKG 增强 MMKG-RAG 上下文。 • 局限性：实验限于特定数据集。 • 前沿见解：上下文增强是有效范式。

N. 17. SciMIF（已在多模态覆盖，略）

本期共 12 篇，覆盖 7 个板块。读者可快速判断哪篇值得继续精读、复现或跟进。