Tom 文献雷达 · AI Agent / RAG / 长上下文 · 2026-08-25 第三期
本期候选（8条）
| # | 来源 | 标题 | 标签 |
|---|---|---|---|
| 1 | HF Daily | Better Retrieval, Worse Robustness: Multi-hop RAG 放大上游 ASR 错误 | rag, benchmark |
| 2 | HF Daily | MobilePA-Bench: 移动端 Planner Agent 评测基准 | agent, benchmark |
| 3 | HF Daily | ARC: 开放域 Agent 交互中的公平相对优势比较 | agent |
| 4 | HF Daily | GameXpert-Bench: 编码 Agent 距游戏专家开发还有多远？ | agent, benchmark |
| 5 | HF Daily | Task-CoEvolve: 自适应验证任务选择的高效 LLM Harness 优化 | benchmark |
| 6 | HF Daily | One Polluted Page: LLM 推荐系统中的 Web 内容污染评估 | benchmark |
| 7 | HF Daily | Block3D: 块级扩散文生 3D 框架 | systems |
| 8 | HF Daily | Unlocking Image Editing via Concept Scaling | multimodal |
⭐ 高价值条目（4条）
1. Better Retrieval, Worse Robustness: How Multi-hop RAG Amplifies Upstream ASR Errors
来源： arXiv · 2026-08-23 | 标签： rag, benchmark | votes: 2
语音应用先过 ASR 再进 RAG，ASR 错误是上游固定约束。论文测试了 entity-graph linking 和 iterative reformulation 两种 RAG 扩展，在四种英语口音（神经 TTS 合成）× 三多跳 QA 基准上评估——结论反直觉：结构更丰富的 RAG 配置在 ASR 噪声下绝对 F1 更高，但在干净文本上的优势反而缩小，说明这些扩展在吸收 ASR 错误上更鲁棒，却让系统在干净场景下产生不同类型的幻觉。
要点： 首个系统研究 RAG×ASR 噪声级联的工作；对语音+RAG 产品有直接警示意义；多跳 QA + ASR 的组合Benchmark值得关注。
2. MobilePA-Bench: Benchmarking Mobile Planner Agents on Complex Real-World Tasks
来源： arXiv · 2026-08-23 | 标签： agent, benchmark | votes: 24
填补 GUI 中心评测（只测屏幕操作）和静态 function-calling 评测（离线 API 匹配）之间的空白，提出交互式、状态化、以工具为核心的移动端 Planner 评测基准。评测移动 Agent 需要同时追踪后台工具调用和长时序规划能力。
要点： 24 票是本期最高；移动 OS 是 Agent paradigm 的下一个主战场；评测移动端 Agent 的系统性方案。
3. ARC: Fair Relative Advantage Comparison in Open-Ended Real-World Interaction
来源： arXiv · 2026-08-12 | 标签： agent | votes: 11
开放域 Agent 交互允许多种合理行为（直接回答、请求澄清、进度更新、先确认再行动），这打破了基于 rollouts 组内比较的 RL 假设——reward-model 对交互风格的偏好会扭曲相对优势。论文形式化此问题为 reward fairness problem，提出 ARC（Advantage Regularization via Conditioning）训练配方。
要点： 对 Agent 群体评测方法论有修正意义；reward fairness 是长上下文多轮交互里被低估的问题；是 2026 年 Agent 对齐的新方向。
4. GameXpert-Bench: How Far Are Coding Agents from Expert Game Development?
来源： arXiv · 2026-08-21 | 标签： agent, benchmark | votes: 5
游戏开发要求程序逻辑、视听内容、界面、交互和可玩性同时正确，是检验 Agent 端到端能力的极佳场景。论文分析了完整的人-Agent 开发轨迹，识别出三个关键阶段，并据此构建评测基准，填补了现有基准只评测最终产物或单个阶段的空白。
要点： 游戏开发是 Agent 能力的天然综合压测；三个阶段（构思→原型→迭代）的分解方法可迁移到其他复杂软件任务。
补充：Agent 评测生态动态
基于 Web 调研，当前评测格局快速演化： - 长上下文 Agent： AgentLongBench（支持 10⁴–4×10⁶ token）、LoCoBench-Agent、LifelongAgentBench 等覆盖 10K–4M token 范围 - RAG 安全： Hidden-in-Plain-Text 基准专门评估 Web-facing RAG 的 indirect prompt injection 和 retrieval poisoning 攻击 - 多模态检索： ViDoRe V3 推出 26K 页面 + 3,099 查询的六语言多模态 RAG 评测 - Agent 社会行为： M3-BENCH 在混合动机游戏中评测 Agent 推理+通讯的过程感知指标
生成时间： 2026-08-25 14:40 UTC
数据来源： HF Daily（arXiv metadata + 富化）
Substack： 未使用
CSDN： 未使用