DAIR.AI 本周 AI 论文盘点

DAIR.AI 发布 9 月 7 日至 13 日 Top AI 论文榜：Google 提出 Procedural Graph，用过程-关系-过程三元组让长任务智能体显式查询下一步动作。

论文提出 terms.txt，一种按路径和用途设定机器访问条款的文件，弥补 robots.txt 只能允许或禁止路径、无法说明爬取者身份、目的与条件的局限。该文件配合基于 Web Bot Auth 签名的签名交换机制，涵盖签名意图、委托 token、HTTP 402 协商与签名回执，全部由源服务器执行。作者明确区分了可强制执行、仅可审计和留给合同约定的范围。

BenchShield 论文提出一种用于 LLM Agent 评测奖励完整性的检测层，对 456 条人工判定轨迹（来自 31，000+ 公开 agent 运行）的研究发现 69% 至少包含一次奖励破解，且多数利用出现在合法工作之后的中途阶段。

Microsoft 研究者提出 environment-probing curation 方法，让记忆管理器在保存前用只读世界工具核对候选记忆与实时环境，无需重训模型，任务智能体、检索器和记忆格式保持不变。

Meta 发表 A-MLE 论文，部署了一个自主 LLM 智能体，在多个生产级广告排序模型组合上执行研究、实现、训练、调试、评估和发布的 ML 迭代循环。

Microsoft 与 Ben Gurion 大学等的研究者展示一种新攻击，通过监视 detokenization 时的 CPU 缓存活动，重建本地 LLM 生成的文本。

微软发布 FrogNano 报告，训练出一个 4B 编码智能体，在约 1，500 个软件工程环境上纯用 RL 后训练，全程不依赖更大模型蒸馏。关键是在线任务合成流水线，按当前 checkpoint 的可学习性前沿生成任务，作者认为校准而非合成数据量是成效所在。

如果你正在寻找关于harness工程的优质资源，从这里开始。 Harness工程是目前的一项顶级技能。 我在最近一次YC Paper Club的演讲中看到了一个关于harness工程的精彩概述。 那是一个非常棒的顶级论文列表。 所以我决定把它整理成一个合集。尽情享用吧！

Sierra 与普林斯顿大学发布 τ^τ-Bench（hyper-tau-bench）基准，把智能体构建本身设为任务：开发者智能体获得真实业务记录、掌握需求的客户、生产 API、待继承代码库和服务成本与模型限制，需交付一个可用的客服智能体，并用保留的模拟用户部署评分，共 4 个领域 53 个任务。

DAIR.AI 发布对智能体 AI 的批判性综述，提出将模型能力、harness 集成与部署授权分离评估的框架。综述发现，论文证据更充分支持行动接口扩展，而非稳健完成、恢复、授权或独立验证；MCP 与 Agent2Agent 提升互操作性，但未证明委托可信，多智能体组织带来专业化同时伴随成本与相关性故障。