AI Agent

WaterAdmin: Orchestrating Community Water Distribution Optimization via AI Agents

WaterAdmin: 通过AI代理协调社区供水优化

Jiaqi Wen, Pingbo Tang, Shaolei Ren, Jianyi Yang

机构 * University of Houston（休斯顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Riverside（加州大学河滨分校） 纠错

专题命中 Agent评测 ：AI agent(title)；agent(abstract)；分类 cs.LG

AI总结 本文提出WaterAdmin框架，结合LLM进行社区上下文抽象与优化控制，以实现动态环境下供水系统的可靠性和节能。

A Dual-Positive Monotone Parameterization for Multi-Segment Bids and a Validity Assessment Framework for Reinforcement Learning Agent-based Simulation of Electricity Markets

多段报价的双正单调参数化及强化学习代理仿真电力市场的有效性评估框架

Zunnan Xu, Zhaoxia Jing, Zhanhua Pan

机构 * School of Electric Power Engineering, South China University of Technology（华南理工大学电力学院） ； Department of Engineering, University of Exeter（埃克塞特大学工程学院） 纠错

专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI

AI总结 本文提出双正单调参数化方法及有效性评估框架，解决传统方法在连续可导性和可逆性方面的不足，提升电力市场仿真结果的可信度。

Q-Agent: Quality-Driven Chain-of-Thought Image Restoration Agent through Robust Multimodal Large Language Model

Q-Agent：通过鲁棒多模态大语言模型实现质量驱动的推理图像修复代理

Yingjie Zhou, Jiezhang Cao, Farong Wen, Zicheng Zhang, Yu Zhou, Yue Shi, Xiaohong Liu, Radu Timofte, Luc Van Gool, Guangtao Zhai

专题命中 Agent评测 ：agent(title,abstract)

AI总结 本文提出Q-Agent，通过Chain-of-Thought方法提升图像修复性能，结合鲁棒多模态大语言模型和客观图像质量评估，实现更高效的多退化处理。

LABBench2: An Improved Benchmark for AI Systems Performing Biology Research

LABBench2：一种改进的AI系统进行生物研究的基准测试

Jon M Laurent, Albert Bou, Michael Pieler, Conor Igoe, Alex Andonian, Siddharth Narayanan, James Braza, Alexandros Sanchez Vassopoulos, Jacob L Steenwyk, Blake Lash, Andrew D White, Samuel G Rodriques

机构 * Broad Institute, Cambridge, MA, USA（博德研究所，美国马萨诸塞州剑桥市） 纠错

专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出LABBench2，一个包含近1900个任务的改进基准，用于评估AI在真实世界中执行科学任务的能力，展示了当前前沿模型在不同子任务上的性能差异，并提供了数据集和评估工具以促进社区使用。

STARS: Skill-Triggered Audit for Request-Conditioned Invocation Safety in Agent Systems

STARS：基于技能触发的请求条件调用安全性审计

Guijia Zhang, Shu Yang, Xilin Gong, Di Wang

机构 * Shenzhen University（深圳大学） ； King Abdullah University of Science & Technology（阿卜杜拉国王科技大学） ； PRADA Lab（PRADA实验室） ； University of Georgia（佐治亚大学） 纠错

专题命中 Agent评测 ：agent(title)；分类 cs.AI

AI总结 STARS通过结合静态能力先验、请求条件调用风险模型和校准风险融合策略，提升代理系统调用时的风险评估与优先级排序能力，优于静态筛查和上下文评分方法。

If an LLM Were a Character, Would It Know Its Own Story? Evaluating Lifelong Learning in LLMs

如果一个大语言模型是一个角色，它会知道自己故事吗？评估大语言模型的终身学习

Siqi Fan, Xiusheng Huang, Yiqun Yao, Xuezhi Fang, Kang Liu, Peng Han, Shuo Shang, Aixin Sun, Yequan Wang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统认知与决策智能重点实验室） ； Nanyang Technological University（南洋理工大学） ； Peking University（北京大学） ； Spin Matrix, China（中国Spin Matrix公司） 纠错

专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出LIFESTATE-BENCH基准，评估LLM的终身学习能力，通过Hamlet和合成剧本数据集，发现非参数方法在管理状态学习上表现更优，但所有模型在交互延长时均面临灾难性遗忘问题。

EVGeoQA: Benchmarking LLMs on Dynamic, Multi-Objective Geo-Spatial Exploration

EVGeoQA：基于动态多目标地理空间探索的LLM基准测试

Jianfei Wu, Zhichun Wang, Zhensheng Wang, Zhiyu He

机构 * School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； Beijing Key Laboratory of Artificial Intelligence for Education（北京市教育人工智能重点实验室） ； Engineering Research Center of Intelligent Technology and Educational Application, Ministry of Education（教育部智能技术与教育应用工程研究中心） ； College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机学院） 纠错

专题命中 Agent评测 ：agent(abstract)；planning(abstract)；分类 cs.AI、cs.LG

AI总结 EVGeoQA针对动态地理空间探索提出多目标基准，通过电动汽车充电场景设计，评估LLM在动态环境中的探索能力，发现其在长距离空间探索上存在不足，但能通过历史轨迹总结提升效率。

ACE-Bench: A Lightweight Benchmark for Evaluating Azure SDK Usage Correctness

ACE-Bench：一个轻量级的评估 Azure SDK 使用正确性的基准测试

Wenxing Zhu, Simeng Qi, Junkui Chen, Yan Xie, Min Huang, Jingkan He, Xiao Wang, Cheng Chen, Sijing Meng, Tianqi Zhang

机构 * Microsoft（微软） 纠错

专题命中 Agent评测 ：agent(abstract)；workflow(abstract)；分类 cs.AI、cs.SE

AI总结 ACE-Bench通过将官方文档示例转化为自包含编码任务，提供快速可重复的通过或失败信号，评估基于LLM的编码代理是否正确使用Azure SDK，同时减少评估成本并提高可重复性。

Comments 5 pages, 2 figures

CountLoop: Training-Free High-Instance Image Generation via Iterative Agent Guidance

CountLoop：通过迭代代理指导实现无训练的高实例图像生成

Anindya Mondal, Ayan Banerjee, Sauradip Nag, Josep Llados, Xiatian Zhu, Anjan Dutta

机构 * University of Surrey（萨里大学） ； Universitat Autònoma de Barcelona（巴塞罗那自治大学） ； Simon Fraser University（西蒙菲莎大学） 纠错

专题命中 Agent评测 ：agent(title)

AI总结 CountLoop通过迭代反馈机制实现高密度场景下的精确实例控制，结合视觉语言模型生成布局和评估反馈，减少计数误差并提升空间质量。

SpatialScore: Towards Comprehensive Evaluation for Spatial Intelligence

SpatialScore：迈向空间智能的综合评估

Haoning Wu, Xiao Huang, Yaohui Chen, Ya Zhang, Yanfeng Wang, Weidi Xie

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出SpatialScore，首个全面评估多模态空间智能的基准，评估49个模型发现其在空间理解上存在显著差距，并构建了SpatialCorpus和SpatialAgent提升模型性能。

Comments Accepted by CVPR 2026 (Highlight); Project Page: https://haoningwu3639.github.io/SpatialScore

Hodoscope: Unsupervised Monitoring for AI Misbehaviors

Hodoscope：无监督监控AI误行

Ziqian Zhong, Shashwat Saxena, Aditi Raghunathan

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；分类 cs.AI

AI总结 本文提出Hodoscope，通过无监督方法发现AI代理的异常行为，减少人工审查工作量，并提升LLM判断准确性。

From Understanding to Creation: A Prerequisite-Free AI Literacy Course with Technical Depth Across Majors

从理解到创造：一个无先修要求的AI素养课程，跨专业技术深度

Amarda Shehu

专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；分类 cs.AI

AI总结 本文介绍了一门无先修要求的AI素养课程，通过五个机制提升学生对AI系统的理解、使用、评估和构建能力，课程设计兼顾技术深度与跨专业适用性。

Comments 37 pages, 8 figures, 6 tables

Peering Behind the Shield: Guardrail Identification in Large Language Models

窥视屏障之后：大型语言模型中的屏障识别

Ziqing Yang, Yixin Wu, Rui Wen, Michael Backes, Yang Zhang

专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)

AI总结 本文提出AP-Test方法，通过对抗性提示检测黑盒AI代理中的屏障，解决安全对齐LLM和缺乏决策策略的问题，实验显示其在多种场景下实现完美分类准确率。

Comments To Appear in the 64th Annual Meeting of the Association for Computational Linguistics, July 2-7, 2026. ACL Findings

ReContraster: Making Your Posters Stand Out with Regional Contrast

ReContraster：利用区域对比让海报脱颖而出

Peixuan Zhang, Zijian Jia, Ziqi Cai, Shuchen Weng, Si Li, Boxin Shi

机构 * School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； State Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室） ； National Engineering Research Center of Visual Technology, School of Computer Science, Peking University（北京大学计算机学院国家视觉技术工程研究中心） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)

AI总结 ReContraster通过区域对比和多智能体系统生成视觉吸引人的海报，结合去噪策略和新基准数据集，优于现有方法。

Disambiguation-Centric Finetuning Makes Enterprise Tool-Calling LLMs More Realistic and Less Risky

以消歧为核心的知识蒸馏使企业工具调用LLM更真实且更安全

Ashutosh Hathidara, Julien Yu, Sebastian Schreiber

机构 * SAP Labs（SAP实验室） 纠错

专题命中 Agent评测 ：agentic(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出DiaFORGE框架，通过三阶段流程提升企业工具调用LLM的准确性和安全性，实验显示其在工具调用成功率上优于GPT-4o和Claude-3.5-Sonnet。

Comments ACL 2026 Findings

RPA-Check: A Multi-Stage Automated Framework for Evaluating Dynamic LLM-based Role-Playing Agents

RPA-Check：一种多阶段自动框架，用于评估基于大语言模型的角色扮演代理

Riccardo Rosati, Edoardo Colucci, Massimiliano Bolognini, Adriano Mancini, Paolo Sernani

机构 * Department of Political Sciences, Communication and International Relations, University of Macerata（马切拉塔大学政治学、传播与国际关系系） ； Department of Law, University of Macerata（马切拉塔大学法律系） 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出RPA-Check框架，通过四阶段流程评估LLM基于角色扮演代理的性能，发现模型规模与过程一致性呈反比关系，小型模型在特定场景下表现更优。

Utilizing and Calibrating Hindsight Process Rewards via Reinforcement with Mutual Information Self-Evaluation

利用和校准通过互信息自我评估的 hindsight 过程奖励

Jiashu Yao, Heyan Huang, Zeming Liu, Yuhang Guo

机构 * Beijing Institute of Technology（北京理工大学） ； Beihang University（北京航空航天大学） 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.CL、cs.LG

AI总结 本文提出MISE方法，通过生成自我评估提供密集奖励信号并校准环境反馈，使基于大语言模型的智能体能自主学习，理论证明其等价于结合互信息与KL散度的优化目标，实验表明其在无监督条件下优于基线方法。

Comments preprint

Real-Time Voicemail Detection in Telephony Audio Using Temporal Speech Activity Features

利用时序语音活动特征实现电话音频中的实时语音信箱检测

Kumar Saurav

机构 * ClearGrid 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出一种轻量方法，通过提取预训练神经语音活动检测器的15个时序特征，并结合浅层树状集成分类器，实现了电话音频中实时区分语音信箱问候与真人回答的高准确率检测。

Comments 16 pages, 5 tables. Preprint

EduIllustrate: Towards Scalable Automated Generation Of Multimodal Educational Content

EduIllustrate：迈向可扩展的自动多模态教育内容生成

Shuzhen Bi, Mingzi Zhang, Zhuoxuan Li, Xiaolong Wang, Keqian Li, Aimin Zhou

机构 * Shanghai Innovation Institute（上海创新研究院） ； University of Science and Technology of China（中国科学技术大学） ； East China Normal University（华东师范大学） 纠错

专题命中 Agent评测 ：workflow(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出EduIllustrate基准，用于评估LLM在K-12 STEM问题中生成图文结合解释的能力，通过230道题和8维度评估标准，揭示LLM在视觉一致性与成本效率上的表现差异。

ChatInject: Abusing Chat Templates for Prompt Injection in LLM Agents

ChatInject: 利用聊天模板对LLM代理进行提示注入

Hwan Chang, Yonghyun Jun, Hwanhee Lee

机构 * Department of Artificial Intelligence, Chung-Ang University（中央大学人工智能系） 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.CL

AI总结 研究提出ChatInject攻击，通过模拟聊天模板诱导LLM代理执行恶意指令，实验显示其攻击成功率显著高于传统方法，且现有防御措施对多轮对话变种效果有限。

Comments ICLR 2026

YIELD: A Large-Scale Dataset and Evaluation Framework for Information Elicitation Agents

YIELD：信息提取代理的大规模数据集和评估框架

Victor De Lima, Grace Hui Yang

机构 * InfoSense Lab, Georgetown University（乔治城大学信息感知实验室） 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.CL

AI总结 本文提出YIELD数据集和评估框架，用于研究信息提取代理，通过2600万token的对话数据提升模型对真实信息提取行为的对齐能力。

Comments Accepted at ACL 2026 (Main Conference)

IMPACT: A Dataset for Multi-Granularity Human Procedural Action Understanding in Industrial Assembly

IMPACT：一个多粒度工业装配中的人类过程动作理解数据集

Di Wen, Zeyun Zhong, David Schneider, Manuel Zaremski, Linus Kunzmann, Yitian Shi, Ruiping Liu, Yufan Chen, Junwei Zheng, Jiahang Li, Jonas Hemmerich, Qiyi Tong, Patric Grauberger, Arash Ajoudani, Danda Pani Paudel, Sven Matthiesen, Barbara Deml, Jürgen Beyerer, Luc Van Gool, Rainer Stiefelhagen, Kunyu Peng

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； Italian Institute of Technology（意大利理工学院） ； INSAIT, Sofia University（索非亚大学INSAIT研究所） 纠错

专题命中 Agent评测 ：workflow(abstract)；分类 cs.AI

AI总结 IMPACT数据集通过同步五视角RGB-D数据，提供真实工业装配场景下的多粒度人类过程动作理解，包含112次试验，结合部分序优先级图、六类异常分类和NASA-TLX测量，揭示了单任务基准无法捕捉的真实部署条件下的局限性。

Comments 9 pages, 2 figures, benchmark and dataset are available at https://github.com/Kratos-Wen/IMPACT

Credit-Budgeted ICPC-Style Coding: When Agents Must Pay for Every Decision

基于信用的ICPC风格编码：当代理必须为每个决定付费

Lingfeng Zhou, Junhao Shi, Jin Gao, Dequan Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.AI

AI总结 本文提出USACOArena，通过引入严格的信用经济机制，使代理在决策时考虑成本，解决资源受限下的高效编码问题。

Comments Accepted by ICLR 2026

HealthAdminBench: Evaluating Computer-Use Agents on Healthcare Administration Tasks

HealthAdminBench: 评估基于计算机使用的代理在医疗管理任务上的性能

Suhana Bedi, Ryan Welch, Ethan Steinberg, Michael Wornow, Taeil Matthew Kim, Haroun Ahmed, Peter Sterling, Bravim Purohit, Qurat Akram, Angelic Acosta, Esther Nubla, Pritika Sharma, Michael A. Pfeffer, Sanmi Koyejo, Nigam H. Shah

机构 * Stanford University（斯坦福大学） ； Kinetic Systems ； Stanford Health Care（斯坦福医疗保健） 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.AI

AI总结 本文提出HealthAdminBench，通过四个真实GUI环境和135个专家定义任务，评估CUA在医疗行政流程中的性能，发现端到端可靠性较低，最佳代理仅达成36.3%的任务成功率。

Comments 24 pages, 5 figures, 5 tables. Benchmark paper introducing 4 simulated environments, 135 tasks, and 1,698 evaluation points for healthcare administrative computer-use agents

Para-B&B: Load-Balanced Deterministic Parallelization of Solving MIP

Para-B&B: 解决MIP问题的负载均衡确定性并行化

Jinyu Zhang, Di Huang, Yue Liu, Shuo Wang, Zhenyu Pu, Zhiyuan Liu

机构 * School of Transportation, Southeast University（东南大学交通学院） 纠错

专题命中 Agent评测 ：planning(abstract)；分类 cs.AI

AI总结 本文提出Para-B&B，通过AI驱动的负载平衡机制和数据并行架构，实现HiGHS求解器的确定性并行化，实验显示在80个MIPLIB 2017实例上取得2.17的几何平均加速率。

Infusing Theory of Mind into Socially Intelligent LLM Agents

将心智理论融入社交智能的大语言模型代理

EunJeong Hwang, Yuwei Yin, Giuseppe Carenini, Peter West, Vered Shwartz

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute for AI（向量人工智能研究所） 纠错

专题命中 Agent评测 ：agent(abstract)；分类 cs.CL

AI总结 本文提出ToMAgent，通过结合心智理论与对话前瞻训练，提升对话效果和目标达成能力，实验表明其在社交交互评估基准中优于基线方法。

To Learn or Not to Learn: A Litmus Test for Using Reinforcement Learning in Control

学习还是不学习：使用强化学习在控制中的实用性检验

Victor Schulte, Michael Eichelbeck, Matthias Althoff

专题命中 Agent评测 ：agent(abstract)

AI总结 本文提出一种计算高效的模拟测试，用于判断强化学习是否优于传统控制方法，通过分析模型不确定性对控制问题的影响，无需训练强化学习代理即可决策。

Comments This work has been submitted to the IEEE for possible publication

From Context to Rules: Toward Unified Detection Rule Generation

从上下文到规则：迈向统一的检测规则生成

Cheng Meng, Wenxin Le, Xinyi Li, Qiuyun Wang, Fangli Ren, Zhengwei Jiang, Baoxu Liu

专题命中 Agent评测 ：agentic(abstract)

AI总结 本文提出UniRule框架，通过双语义投影空间实现跨上下文和语言的统一检测规则生成，实验表明其优于纯LLM生成方法。

VCC-DSA: A Novel Vascular Consistency Constrained DSA Imaging Model for Motion Artifact Suppression

VCC-DSA：一种基于血管一致性约束的数字减影成像模型用于运动伪影抑制

Rongjun Ge, Weilong Mao, Jian Lu, Rong Yan, Yikun Zhang, Peng Yuan, Jun Xiang, Hui Tang, Guanyu Yang, Yudong Zhang, Yang Chen, Shuo Li

专题命中 Agent评测 ：agent(abstract)

AI总结 本文提出VCC-DSA模型，通过学习减影映射范式、残差密集块、血管一致性策略和混合数据自进化策略，有效抑制运动伪影并提升血管成像精度，实验表明其在PSNR和SSIM上提升显著。

Aerial IRS Deployment-Aided Secure Computation Offloading Against DISCO Jamming Attacks

空天地一体化 IRS 部署辅助的抗 DISCO 干扰安全计算卸载

Minghui Min, Peng Zhang, Jiayang Xiao, Ruixin Yang, Shiyin Li, Huan Huang, Hongliang Zhang, Zhu Han

专题命中 Agent评测 ：agent(abstract)

AI总结 本文提出利用空天地一体化 IRS 实现抗 DISCO 干扰的安全计算卸载，通过联合优化卸载比、IRS 阶段移和部署，采用双时间尺度框架应对不同策略的更新频率差异，采用双智能体深度强化学习方案提升安全卸载性能。

Comments 14 pages,14 figures