覆盖北京时间日期：2026-07-08、2026-07-09。聚焦 Agent、LLM reasoning/planning/tool use/memory、RAG、coding agents、evaluation/benchmark 与训练/推理基础设施。
Top Pick 1 · 2607.07508
Zhenyu Hou, Yujiang Li, Jie Tang, Yuxiao Dong · 2026-07-08 · cs.LG
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Reinforcement learning (RL) is becoming increasingly important for post-training large language models (LLMs). Previous RL pipelines for LLMs were mostly synchronous and batch-interleaved, which is inefficient for long-horizon agentic tasks. Recently, asynchronous RL has emerged …
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 4Actionability 4Total 23/25
PDF
Top Pick 2 · 2607.07467
Songhan Wang, Haoang Chi, He Li, Zhiheng Zhang, Jiayan Yuan, Cheems Wang · 2026-07-08 · cs.AI
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Spatial and Single-cell transcriptomics are transformative in deciphering cellular dynamics. As the fundamental paradigm for reconstructing cell developmental paths, trajectory inference (TI) is critical. However, existing methods require extensive manual intervention and profici…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 4Actionability 4Total 23/25
PDF
Top Pick 3 · 2607.07391
Charbel Al Bateh, Samer Saab · 2026-07-08 · cs.AI
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Mathematical reasoning benchmarks typically provide all facts needed to solve each problem, while interactive benchmarks often mix reasoning with tools, retrieval, and long-horizon dialogue. We introduce MIRA-Math, a benchmark for a narrower diagnostic capability: solving mathema…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 4Actionability 4Total 23/25
PDF
Top Pick 4 · 2607.06447
Jihao Liu, Guoxiong Gao, Zeming Sun, Bin Wu, Shurui Liu, Jiedong Jiang · 2026-07-07 · cs.AI
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Recent LLM-based mathematical reasoning agents have begun to tackle research-level problems and, in several cases, have contributed to the resolution of open problems. However, scaling and orchestrating such agents effectively remains challenging, due to the difficulty of coordin…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 4Actionability 4Total 23/25
PDF
Top Pick 5 · 2607.07321
Haipeng Ding, Yuexiang Xie, Zhewei Wei, Yaliang Li, Bolin Ding · 2026-07-08 · cs.AI
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Tool utilization enables Large Language Model (LLM) agents to interact with the real world and resolve complex tasks. However, existing agent frameworks predominantly rely on static toolsets composed of granular atomic actions (e.g., basic file I/O or single-turn search), which f…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 4Actionability 4Total 23/25
PDF
Top Pick 6 · 2607.06820
Pavel Snopov, German Magai · 2026-07-07 · cs.AI
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Recent advances in AI for Mathematics have focused largely on autoformalization and theorem proving, leaving the role of Computer Algebra Systems (CAS) in agentic LLM workflows underexplored. We propose a ReAct-style agentic setup that combines LLM reasoning with verifiable feedb…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 4Actionability 4Total 23/25
PDF
Top Pick 7 · 2607.06691
Alexey Gavryushin, Dingxi Zhang, Zhao Huang, Alexandros Delitzas, Jiaqi Chen, Ben Ellis · 2026-07-07 · cs.CV
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Human-human collaboration is a fundamental aspect of everyday life, essential to success in a wide range of goal-directed activities from household tasks to professional teamwork. While much research has focused on modeling coordination and task execution, the cognitive processes…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 4Actionability 4Total 23/25
PDF
Top Pick 8 · 2607.07696
Victor Giannakouris, Immanuel Trummer · 2026-07-08 · cs.DB
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Analytical workloads operating on data stored in external database systems face a fundamental bottleneck: data access is guarded entirely by the database driver, like JDBC or ODBC, forcing all reads through query execution and other driver layers that are not designed for bulk co…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 3Actionability 4Total 22/25
PDF
Top Pick 9 · 2607.07673
Hyunjae Kim, Dain Kim, Pan Xiao, Serina S. Applebaum, Younjoon Chung, Xuguang Ai · 2026-07-08 · cs.CV
一句话结论：改进检索增强生成或知识访问链路，强调可落地的信息使用能力。
为什么重要：对构建个人知识库、科研资料消化和可靠问答系统有直接工程价值。
方法要点：从摘要看，论文的核心是：Medicine is inherently multimodal, requiring clinicians to synthesize information across diverse data streams. Yet the development of multimodal foundation models is constrained by limited access to large-scale, high-quality clinical data. Although PubMed Central (PMC) offers a c…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：用 FJ 知识库语料做一个最小复现：召回质量、引用正确率、长文档一致性。
Relevance 5Novelty 4Substance 5Evidence 4Actionability 4Total 22/25
PDF
Top Pick 10 · 2607.07669
Jordan Painter, Dipankar Srirag, Adarsh Kappiyath, Diptesh Kanojia, Aditya Joshi, Lu Yin · 2026-07-08 · cs.CL
一句话结论：提供新的评测/数据视角，可作为后续 agent 与 LLM 系统的质量门。
为什么重要：评测资源能快速转化为 Lucian 的自动化科研与产品回归测试资产。
方法要点：从摘要看，论文的核心是：Large language models increasingly \emph{understand} dialectal English, yet still \emph{produce} only standard, US-leaning English, leaving dialectal generation, the harder half of the problem, largely unaddressed. We introduce \textbf{DiaLLM}, which continually pretrains three o…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：优先下载任务定义/样例，写成一页 benchmark card：输入、指标、失败案例、自动评分脚本。
Relevance 5Novelty 4Substance 5Evidence 4Actionability 4Total 22/25
PDF
Top Pick 11 · 2607.07666
Shivendra G. Tewari, Holly Kimko · 2026-07-08 · q-bio.QM
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Large language models (LLMs) demonstrate remarkable reasoning capabilities, yet their stateless architecture fundamentally limits deployment in long-horizon research workflows requiring multi-session continuity and quantitative rigor. Here we present Ensemble QSP, a multi-agent f…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 3Actionability 4Total 22/25
PDF
Top Pick 12 · 2607.07626
Sahil Kale · 2026-07-08 · cs.CL
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Reliable confidence estimation is essential for deploying large language models (LLMs) in confidence-aware systems, where downstream decisions such as retrieval, tool use, and adaptive computation depend on accurately estimating answer reliability. Existing approaches, however, l…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 4Substance 5Evidence 4Actionability 4Total 22/25
PDF
Top Pick 13 · 2607.07619
Nhat Minh Le, Yisen Xu, Zhijie Wang, Tse-Hsun, Chen · 2026-07-08 · cs.SE
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Many function-level performance benchmarks have been proposed to evaluate whether large language models (LLMs) can generate efficient programs. However, results on these benchmarks often show that LLM-generated implementations have little or no execution-time difference from cano…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 3Actionability 4Total 22/25
PDF
Top Pick 14 · 2607.07461
Yang Shi, Jiaheng Fu, Yihe Huang, Ruixiang Wu, Chengyao Sun, Kaifeng Huang · 2026-07-08 · cs.CR
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Large language models (LLMs) are increasingly deployed as autonomous agents that interact with external tools and services via the Model Context Protocol (MCP), a standardized interface for dynamic tool invocation. While MCP simplifies integration, it also expands the attack surf…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 3Actionability 4Total 22/25
PDF
Top Pick 15 · 2607.07405
Vikas Reddy, Sumanth Reddy Challaram, Abhishek Basu · 2026-07-08 · cs.AI
一句话结论：面向 agent / tool-use 系统给出可复用方法或评测线索。
为什么重要：直接贴近 Lucian 对长程 agent、工具调用和可评测 agent pipeline 的偏好。
方法要点：从摘要看，论文的核心是：Tool-using LLM agents can violate the very policies they are deployed to enforce while appearing to complete the task successfully. In policy-permissive environments, a tool may execute any well-formed call even when the corresponding state transition is forbidden by domain polic…
实验/证据：证据主要来自作者报告的实验/基准；本次日报基于 arXiv/HF 元数据与摘要，未完整复核 PDF 中所有数值。
局限/风险：局限在于当前只做元数据与摘要级筛选；实际贡献强度需进一步查看实验规模、baseline 公平性和开源情况。
Lucian 下一步：把它拆成一个小型 agent benchmark/ablation：任务分解、工具轨迹、失败归因与记忆接口。
Relevance 5Novelty 5Substance 5Evidence 4Actionability 3Total 22/25
PDF