LLM风控诊断新流程：用相似历史交易与SHAP证据解释风险评分差异
arXiv 上一篇新论文提出受控的大模型工作流，用相似历史交易和对比式 SHAP 证据来诊断风险评分差异，测试中比未加结构化引导的同一模型输出更一致、更可追溯。
celebrityanime
CoworkEnv 提出可执行训练环境框架，PocketWorker 模型 Claw-Eval 平均分提升至 64.1
Hugging Face Papers 收录的论文提出 CoworkEnv 框架，可根据工作流要求合成可执行的 AI 协作训练环境，并用它训练出紧凑的 PocketWorker 模型。在 Qwen3-VL-8B-Instruct 上，监督微调（SFT）使 Claw-Eval 平均分从 46.6 升至 64.1…
arXiv论文实测：Agent调用工具做算术，准确率99.9%但延迟近百万倍
一篇 arXiv 新论文用 1000 道运算符优先级算术题，对比原生函数调用、REST、SOAP、MCP 微服务、直接调用大模型和 Agent 调工具七类方案，发现在精确计算任务上，确定性方法的准确率与延迟都明显更优。这提醒开发者：Agent 不是默认答案，架构选择要按任务类型来定。
HarnessPro 用递归自改进与 Pareto 优化，兼顾性能与成本
Hugging Face Papers 收录的论文提出 HarnessPro，一种无需标签的智能体框架自改进方法，在提升任务通过率的同时降低执行成本，并可按部署预算输出轻量、均衡、性能三档框架。
GardenBench 发布轻量日常评测基准：追踪大模型逐日表现与成本波动
arXiv 上一篇新论文提出 GardenBench，用 11 组轻量任务和实时看板评测大模型在日常使用中的准确率、运行成本与耗时，并记录模型逐日的性能进步或退化。
视觉智能体工具框架OpenVLHarness论文：多模态记忆加持，22项评测平均提升最高12.6分
Hugging Face Papers 2026年10月19日收录的论文摘要提出 OpenVLHarness，一套面向真实视觉智能体工具调用与持久多模态记忆的推理框架，声称在22项评测上比无工具基线平均高9.7至12.6分。它值得关注，是因为它讨论的是“给模型配外部工具和记忆”，而非继续堆推理算力。
EvoWeb基准发布：评估编码智能体在持续演进Web应用上的表现
Hugging Face Papers 收录的论文摘要提出 EvoWeb 基准，用 320 个累积需求测试编码智能体在持续修改同一 Web 应用时的可靠性，而不只看它能否一次性满足固定规格。
Hugging Face 新论文：MTEdit 用50万条多轮图像编辑轨迹训练模型
Hugging Face Papers 收录的论文摘要提出 MTEdit 多轮图像编辑数据集与配套基准，用“打包轨迹画布”生成训练数据，声称可缓解多轮编辑中的画质漂移，并据此微调出 Qwen-Image-MTEdit。
OR-License基准发布：11款前沿大模型实测运筹咨询，Claude Code最佳配置可行率88.39%
Hugging Face Papers 收录的论文提出 OR-License 基准，用真实付费运筹咨询项目检验大模型智能体能否直接从客户原始材料交付专业方案；结果显示模型在条件目标质量上可超过专家，但综合质量仍落后。
世界模型组合泛化不足：AnyGoal基准揭示规划新短板
Hugging Face Papers 于 2026 年 10 月 19 日收录的论文提出 AnyGoal 基准，用于检验世界模型能否把训练中见过的状态因子和动作重新组合；结果显示，在多个环境和模型家族中，这类组合任务仍会失败。