Tom 文献雷达 · Agent + RAG + 长上下文 · 2026-08-28 08:40

本次覆盖：HF Daily（8月23-25日）+ arXiv（8月26日）；共8条，高价值4条，Substack 1条

高价值条目

1. SWE Refactor Bench · Agent · ⭐ 必读

Can Coding Agents Complete a Long-Horizon, Whole-Repository Stack Migration? arxiv.org/abs/2608.23564 · 2026-08-23 · HF votes: 13

核心发现： 8个前沿模型、520次运行，三阶段审计（迁移真实性 + 行为保留 + 对抗验证），仅28次（5.4%）通过全部阶段，13/20任务零接受解。揭示当前前沿模型在长周期、仓库级重构上仍然极弱——"Blindness"问题（ agents 复制原实现让测试通过而非真实迁移）。

工程意义： 堆栈迁移被业界视为高价值自动化场景，但 benchmark 结果表明现有 agents 仍无法自主完成；Harness 设计（持久化 agent 状态）是关键开放变量，同期有开源工具 Headlong（<10K Bash）尝试解决冻结问题。

📝 Substack: Samir Sengupta 撰写深度分析（5 min），补充了 leaderboard 上下文和实际失败模式描述。 参考：samcodeman.com/writing/only-28-of-520-agent-runs-completed-a-migration

2. RetrievalRouter · RAG + 系统 · ⭐ 关注

RetrievalRouter: Joint Modality and Architecture Selection for Document Retrieval arxiv.org/abs/2608.25625 · 2026-08-25 · HF votes: 3

核心贡献： 文档检索在模态（文本/多模态）和架构（dense / late-interaction）之间的权衡导致延迟与精度不可兼得；RetrievalRouter 证明可在 query 层面自适应选择 pipeline，无需在全局精度和延迟间做硬妥协。

工程意义： 金融/医疗/法律检索场景的实用价值高；late-interaction（如 ColBERT）精度高但延迟大，dense 快但复杂文档召回差——按查询动态路由是合理的工程折中方向。

3. GUI-Primitives · Agent · ⭐ 关注

Diagnosing Spatial Reasoning Failures in Vision-Language GUI Grounding arxiv.org/abs/2608.21832 · 2026-08-21 · HF votes: 4

核心贡献： 994项对比评测集，聚焦7种空间关系（左右、上下、 containment、对齐、邻近、列表序、遮挡），严格控制截图和锚点不变、仅改变关系表达，隔离模型对空间语言的理解能力。5名标注员验证子集（κ=0.94）。

工程意义： GUI agents 的空间推理是 computer-use 能力的核心短板；该 benchmark 设计严谨，可直接用于 VLM 评测和改进追踪。

4. Prefix Sliding · 长上下文 · ⭐ 关注

Prefix Sliding for Efficient Test-time Scaling arxiv.org/abs/2608.26070 · 2026-08-25 · HF votes: 3

核心发现： 长思考任务保留完整推理 token 成本极高，但实验发现大多数中间推理 token 在后续推理中重要性骤降；Prefix Sliding 在推理过程中丢弃非 prefix 及最近几千 token 窗口以外的 token。

工程意义： Test-time scaling 是 2026 年热门方向，该方法以极简设计（无需新架构）实现 memory 效率提升，与当前主流的 full attention 方案形成直接竞争。

候选摘要（其余4条）

信号来源： arXiv metadata + HF Daily 富化；CSDN 未使用 本轮耗时： ~8 min