AI Agent

AutoMIA: Improved Baselines for Membership Inference Attack via Agentic Self-Exploration

AutoMIA：通过代理自我探索改进的成员推断攻击基线

Ruhao Liu, Weiqi Huang, Qi Li, Xinchao Wang

专题命中 工具调用 ：agentic(title,abstract)

AI总结 AutoMIA通过代理自我探索和策略进化，改进成员推断攻击基线，实现模型无关的攻击空间系统遍历，优于现有方法且无需手动特征工程。

A Visionary Look at Vibe Researching

对Vibe研究的前瞻性展望

Yebo Feng, Yang Liu

专题命中 工具调用 ：agent(abstract)；tool use(abstract)；multi-agent(abstract)

AI总结 本文探讨了Vibe研究范式，结合人类指导与AI代理，提出多智能体架构、记忆、工具使用等方法，分析其技术限制与社会影响，为负责任的采用提供路线图。

Execution-Verified Reinforcement Learning for Optimization Modeling

可验证执行的强化学习用于优化建模

Runda Guan, Xiangqing Shen, Jiajun Zhang, Yifan Zhang, Jian Cheng, Rui Xia

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

专题命中 工具调用 ：agentic(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出EVOM框架，通过将数学规划求解器作为确定性验证器，利用强化学习生成并执行求解代码，实现高效的优化建模。实验表明EVOM在多个数据集上表现优异，支持零样本求解器迁移和低成本适应。

Solving Problems of Unknown Difficulty

解决未知难度的问题

Nicholas Wu

专题命中 工具调用 ：agent(abstract)

AI总结 本文研究了问题难度不确定性如何影响问题解决策略，提出动态模型分析探索与利用的平衡，探讨主代理环境中的道德风险与学习作用，揭示创新与组织设计的洞察。