推广选题榜 · 2026-10-12

覆盖 2026-09-12 至 2026-10-12 入库论文，扫描约 80 篇，遴选 8 篇。

1. JEV-as-a-Judge arxiv: 2609.26550 | evaluation | 被引 14 | 影响力 3 二元判断 judge 以 SOTA 评估成本的 0.36% 达到相差 <3% 的精度，大规模 LLM 评测的工程成本可压缩两个数量级，今年最具实操价值的评估论文。 建议：深度解读

2. Jev in the Wild arxiv: 2609.30216 | agent | 被引 5 | 影响力 1 首篇 Jev 公开生态实测研究，GitHub 千个项目揭示 Jev 作为可复用决策组件的真实用法与增长模式，是 decision-making Agent 落地的最佳需求侧参考。 建议：科普 + 数据可视化

3. Just Ask Jev arxiv: 2609.29429 | risk | 被引 4 RLCDAlignBench 用校准决策零样本检测 10 类对齐失败（越狱/欺骗/谄媚/幻觉等），是 AI 安全审计的一条极简新路线。 建议：深度解读

4. Harness-Zero arxiv: 2609.24974 | evaluation | 被引 3 | 影响力 1 用 agent 替代 code 执行 harness，使前沿 LLM 的评测蒸馏质量显著提升，揭示 agent 规划能力比固定 code 更好捕捉评测结构。 建议：深度解读

5. SkillSpec arxiv: 2609.06052 | agent | 被引 1 | 影响力 1 用 Hoare 规约方法验证 Agent skill 正确性，将技能仓库转化为统一图表示。形式化方法 × Agent 交叉，罕见且根本。 建议：深度解读

6. Lean Pool arxiv: 2609.25199 | agent | 被引 1 AI Agent 维护 Lean 形式化数学仓库，证明 AI 可承担数学知识整理这一严格推理任务。AI × 数学的里程碑式实验，故事性强。 建议：科普

7. The Tasteful Agent arxiv: 2609.25804 | agent | 被引 1 从 Agent 轨迹自动构建 Taste-Bench，量化「品味」并证明可训练。超越成功率，评估 Agent 决策的审美维度——全新角度。 建议：科普

8. StudentBench arxiv: 2609.28470 | evaluation AI 导师在 GRE 学习成效上与专家人类导师统计等效（p=0.015），五领域最佳 AI 超越人类。AI 教育领域迄今最系统的等效性证明，传播潜力大。 建议：科普