Tom 文献雷达 · AI Agent · RAG · 长上下文 · 2026-08-21 20:40
候选概览（7条）
| # | 来源 | 标题 | 领域 | 热度 |
|---|---|---|---|---|
| 1 | arXiv | Inadvertent Context Leakage in Language Models | agent+security | ⭐⭐⭐ |
| 2 | HF Daily | SWE-bench Science: Coding Agents for Scientific Software | agent+benchmark | ⭐⭐⭐ |
| 3 | HF Daily | SkillEvo: Self-Renewing Evolution Gradients from Multi-Turn | agent | ⭐⭐ |
| 4 | arXiv | FlashPrefill V2: Block-Sparse Prefill for Long-Context Serving | long-context | ⭐⭐⭐ |
| 5 | HF Daily | Chain-of-Experience for Continual LLM Improvement | benchmark | ⭐ |
| 6 | HF Daily | Thinking in a Low-Resource Language（基准噪声 7.7pt） | benchmark | ⭐ |
| 7 | HF Daily | NARU: Japanese Extreme Long Video Benchmark | multimodal | ⭐ |
注：FlashPrefill V2 详见 2026-08-21 14:40 雷达；本轮为增量补充。
⭐ 高价值条目（4条）
1. Inadvertent Context Leakage（上下文隐式泄露）⭐ 本轮最高价值
- 来源：arXiv 2608.19857，2026-08-20
- 作者：Fairoze, Mangaokar, Chaudhuri, Garg, Mahloujifar（UIUC/马里兰）
- 核心：Agent 常持有用户敏感上下文（日历、凭证、健康、财务记录）。研究揭示：即使模型正确拒绝直接提取，敏感信息仍可通过隐藏相关性从正常输出中被重构；攻击者可主动构造 prompt 放大该效应（covert carrier）。
- 意义：对部署 AI Agent 的安全边界有直接影响。若在多轮对话中持续注入含敏感上下文的 token，即使每轮都正确拒绝，累计泄露风险不可忽视。这是长上下文 Agent 的隐私盲区。
- 标签：agent, security, long-context, privacy
2. SWE-bench Science（科学软件 Agent 评测）
- 来源：arXiv 2608.19799，2026-08-19
- 核心：119 任务 / 98 repo / 20 科学领域，专注"为何失败"而非仅"是否成功"。科学代码失败可直接动摇科学结论——区别于通用 SWE-bench 的纯功能评测。
- 意义：从 Agent 功能评测 → 可信科学计算，评测维度的关键扩展。与 FlashPrefill V2（长上下文推理成本）共同构成 Agent 落地基础设施工具链的双轨。
- 标签：agent, benchmark, scientific software
3. SkillEvo: Multi-Turn Agent 技能自演化
- 来源：arXiv 2608.13120，2026-08-12
- 核心：单轮 QA 反馈的演化梯度在第一轮补丁后迅速衰减，多轮交互才能暴露真实缺陷。SkillEvo 引入多轮反馈梯度闭合回路，技能可从真实使用失败中持续进化。
- 意义：多轮 agent 能力进化路线，与 Chain-of-Experience（见下）从不同角度解决"测试时学习"问题。
- 标签：agent, multi-turn, skill evolution
4. FlashPrefill V2（工程实用性突破）
- 来源：arXiv 2608.19758，2026-08-20（14:40 已有，此处补充工程维度）
- 新增维度：相比 V1 原型，V2 引入 mean correction + block-sparse mechanism，生产级部署能力（与 HuggingFace TGI、vLLM 路线对齐）。
- 标签：long-context, serving, production
去重备注
- 相比 2026-08-21 14:40 报告，新增：Context Leakage（安全维度）、Chain-of-Experience、Low-Resource benchmark 基准噪声分析、NARU
- 保留：SWE-bench Science（已更新热度）、FlashPrefill V2（补充工程视角）
- IAR / Repo0 / 4DAnyone / δ-mem Substack 来自上轮，已排除
- Substack 补充：本轮候选富化工具未命中 Substack 源（工具仅支持 arXiv/HF），以 14:40 Substack 报告为准
- CSDN：本轮无使用
生成时间：2026-08-21 20:40 CST
任务标识：tom-daily-radar-3x
Cronspace：lightweight（10min max）