[
  {
    "arxivId": "2610.08902",
    "title": "Agent Plasticity: Measuring Self-Improvement Through Experience",
    "titleZh": "论文提出 agent plasticity 指标衡量智能体通过经验自我改进的效率",
    "authors": [],
    "category": "eval",
    "selected": false,
    "attention": null,
    "summaryZh": "论文提出 agent plasticity 概念，即智能体将经验转化为未来留存性能提升的效率，用于衡量自改进能力而非固定时点的能力。研究在受控环境中让智能体把过往经验固化为可复用产物并由后续实例继承，在每个检查点同时测量训练与留存环境交互上的表现并计入学习成本。结果显示，多个前沿模型在同等学习机会下改进轨迹差异明显，部分模型获得持续提升，另一些则接近或低于初始水平，训练环境内的收益向分布外条件迁移时往往只部分保留。最终表现最好的智能体未必是改进效率最高的，失败追踪还显示低可塑性智能体常无法复用相关产物，而高可塑性智能体即使复用了产物仍可能因产物质量、泛化或应用环节受限而失败。",
    "quickRead": null,
    "links": {
      "paper": "https://arxiv.org/abs/2610.08902",
      "aisafetyhot": "https://aisafetyhot.com/items/yne8hp6vy14r1ah2gfz371lo1"
    },
    "publishedAt": "2026-10-05T20:00:00.000Z",
    "timelineAt": "2026-10-08T21:50:24.912Z",
    "discoveredAt": "2026-10-08T21:50:24.912Z"
  },
  {
    "arxivId": "2610.07258",
    "title": "Lineage-Aware Memory Governance: A Derivation-Gated Framework for Privacy-Preserving Column-Level Access Control in Enterprise AI Agents",
    "titleZh": "AMU：用派生血缘门控实现企业 AI Agent 列级访问控制",
    "authors": [],
    "category": "defense",
    "selected": false,
    "attention": null,
    "summaryZh": "论文提出 Analytical Memory Unit（AMU），为每条缓存结果附加完整的派生血缘图，检索策略仅在请求者对所有涉及列都有权限时才返回命中，从而阻止通过合法计算结果间接泄露敏感数据。作者按构造证明该策略可拦截越权敏感列派生结果的检索，最坏复杂度为 O(n)，并说明这是条件性设计保证而非实证结论。六组实验中，血缘门控检索消除了朴素内容门控记忆存在的 18.8-25.5% 跨部门泄露，同时保留 81.5-82.6% 的记忆复用，最坏开销 13.8 微秒；消除可测量泄露需要 75-90% 的血缘记录完整度，作者将 90% 作为保守部署目标。基于 LLM 生成 SQL 的真实 Agent 概念验证在 9 轮往返中零泄露并自动捕获两处冲突，作者称其为可行性演示而非生产可用性证据。",
    "quickRead": null,
    "links": {
      "paper": "https://arxiv.org/abs/2610.07258",
      "aisafetyhot": "https://aisafetyhot.com/items/ae6wzmjy79ty642x78uxmduyz"
    },
    "publishedAt": "2026-10-04T20:00:00.000Z",
    "timelineAt": "2026-10-08T16:18:25.387Z",
    "discoveredAt": "2026-10-08T16:18:25.387Z"
  }
]