AI 大模型
智能体、工具调用、规划、工作流、多智能体和自主任务执行。
上下文代理：非线性对话的动态 discourse 树
机构 * Shandong University（山东大学）
专题命中 Agent评测 ：agent(title,summary_cn)；分类 cs.AI、cs.CL
AI总结 本文提出 Context-Agent 框架，通过动态树结构建模对话历史，解决非线性对话中的上下文管理问题，并引入 NTM 评估基准，提升多轮对话任务完成率和效率。
Comments 14 pages, 7 figures, ACL 2026
捕获旗帜：通过语义保持变换进行基于家庭的代理LLM评估
机构 * Department of Computing, Imperial College London（帝国理工学院伦敦计算机系） ； AI Security Institute（人工智能安全研究所） ； Royal Grammar School Guildford（格里菲斯皇家文法学校）
专题命中 Agent评测 ：agentic(title,abstract)；agent(abstract)；tool use(abstract)；分类 cs.AI、cs.SE
AI总结 本文提出CTF挑战家族，通过语义保持的程序变换生成等效挑战，评估代理鲁棒性和泛化能力，展示了Evolve-CTF工具及13种代理LLM配置的评估结果。
COMPOSITE-STEM基准：通过70个专家编写的任务评估AI代理的科学推理能力
机构 * PortexAI ； University of Milano-Bicocca（米兰-比科卡大学） ； University of Calgary（卡尔加里大学） ； University of Chicago（芝加哥大学） ； Inria（法国国家信息与自动化技术研究院） ； Fraunhofer Institute for Individualized Medical Technology IMTE（弗劳恩霍夫个性化医疗技术研究所） ； University of Cambridge（剑桥大学） ； Independent（独立） ； McGill University（麦吉尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Queen Mary University of London（伦敦大学玛丽女王学院） ； Dot Ingredients ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Edinburgh（爱丁堡大学） ； Murdoch University（墨尔本大学） ； University of Porto（波尔图大学） ； Stanford University（斯坦福大学） ； Stony Brook University（史泰津布鲁克大学）
专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；agentic(abstract)；分类 cs.AI、cs.CL、cs.LG
AI总结 本文提出COMPOSITE-STEM基准，通过70个专家编写任务评估AI代理的科学推理能力，结合精确匹配评分和LLM作为评委的协议，展示AI在科学领域的能力突破。
CoEvolve：通过代理-数据互演训练LLM代理
机构 * Alibaba Group（阿里巴巴集团） ； AMAP
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.CL
AI总结 本文提出CoEvolve框架，通过闭环交互训练提升LLM代理性能，利用反馈信号识别失败模式并指导任务合成，实验显示在AppWorld和BFCL上显著提升表现。
Comments Accepted to ACL 2026
Eco-Bee：一种面向校园生态系统的个性化多模态代理，用于提升学生气候意识和可持续行为
机构 * University of Hull（赫尔大学） ； The Spaceship Academy（太空学院） ； City St George’s, University of London（伦敦大学城市学院） ； King’s College London（伦敦国王学院） ； Lancaster University（兰卡斯特大学） ； University of Oxford（牛津大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 Eco-Bee通过整合大语言模型、行星边界框架（Eco-Score）和对话代理，为学生提供个性化反馈和行为激励，推动校园可持续发展。
ARC-AGI-3：前沿代理智能的新挑战
机构 * ARC Prize Foundation（ARC奖基金会）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 本文提出ARC-AGI-3基准测试，通过新颖的抽象回合制环境评估代理智能的适应效率，人类可完全解决环境，而前沿AI系统得分低于1%。
EnvScaler：通过程序合成实现LLM代理的可扩展工具交互环境
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院）
专题命中 Agent评测 ：agent(title)；分类 cs.AI、cs.CL、cs.LG
AI总结 本文提出EnvScaler框架，通过程序合成构建大量工具交互环境，用于LLM代理的监督微调和强化学习，提升其在复杂多轮多工具交互环境中的任务解决能力。
Comments Add some experiments
当文化相遇：多文化文本到图像生成
机构 * Santa Clara University（圣克拉拉大学）
专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 本文提出多文化文本到图像生成任务，构建首个评估基准，分析先进模型在多文化场景下的表现，提出MosAIG框架提升图像生成质量与文化准确性。
HarmfulSkillBench: 你的代理如何被有害技能所利用？
机构 * CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全研究中心）
专题命中 Agent评测 ：agent(abstract)；autonomous agent(abstract)；分类 cs.AI
AI总结 本文首次研究了代理生态系统中的有害技能，发现4.93%的技能具有潜在危害，并构建了HarmfulSkillBench基准，评估六个LLM在有害技能下的表现，发现预装技能显著降低拒绝率。
评估LLM模拟器作为差分隐私数据生成器
机构 * Capital One
专题命中 Agent评测 ：agentic(abstract)；分类 cs.CL、cs.LG
AI总结 研究评估LLM模拟器在生成复杂合成数据中的有效性，发现其在欺诈检测中表现良好但存在分布偏移问题，需解决系统性偏差以提升应用潜力。
Comments Submitted to ICLR 2026. 6 pages + appendix
PRL-Bench: 一个全面的基准，评估大语言模型在前沿物理研究中的能力
机构 * School of Artificial Intelligence（人工智能学院） ； Zhiyuan College（智远学院） ； School of Physics and Astronomy（物理天文学院） ； Tsung-Dao Lee Institute（李政道研究所） ； State Key Laboratory of Dark Matter Physics（暗物质物理国家重点实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Institute of Theoretical Physics（理论物理研究所） ； Chinese Academy of Sciences（中国科学院） ； Zhejiang Lab（浙江实验室） ； SciLand ； DP Technology（DP技术）
专题命中 Agent评测 ：agentic(abstract)；分类 cs.AI、cs.LG
AI总结 PRL-Bench通过理论和计算物理的科研导向评估，系统测试大语言模型执行端到端物理研究的能力，揭示当前LLM在真实科研需求中的不足。
Comments 15 pages, 5 figures
KWBench：测量知识工作中无提示的问题识别
机构 * Clio AI
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 KWBench是首个评估大语言模型无提示问题识别能力的基准，通过223个专业任务测试模型能否从原始输入中识别情境结构，揭示模型在问题识别与应用间的差异。
Comments 37 pages, 8 figures
ReXSonoVQA：面向以过程为中心的超声理解的视频问答基准
机构 * Harvard Medical School（哈佛医学院）
专题命中 Agent评测 ：planning(abstract)；分类 cs.AI
AI总结 ReXSonoVQA是一个包含514个视频片段和514个问题的视频问答基准，旨在评估动作-目标推理、artifact解决与优化及过程上下文与规划能力，测试VLMs在动态过程理解中的表现。
可扩展的最大熵人口合成 via 持续对比散度
机构 * Department of Physics and Astronomy, City Science Lab University of Bologna（物理与天文学系，城市科学实验室博洛尼亚大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 本文提出GibbsPCDSolver方法，通过持续对比散度实现高效最大熵人口合成，解决了传统方法在计算效率和样本多样性上的不足。
基于信息几何的人工好奇心方法
机构 * Institute of Neuroinformatics University of Zurich and ETH Zurich（神经信息学研究所 苏黎世大学和苏黎世联邦理工学院）
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 本文提出基于信息几何的框架，通过信息单调性和环境交互不变性约束内在奖励为严格凹函数，从而实现探索与利用的平衡，整合了基础探索方法。
Comments Comments: 24 pages, 2 figures; version accepted for publication at AISTATS 2026
在线交易作为秘书问题变种
专题命中 Agent评测 ：agent(abstract)
AI总结 本文研究了在线交易中的秘书问题变种，提出了一种在线算法，实现强竞争比3.523，同时针对弱竞争比设计了简单算法，得出了零售价情况下的新结果。
CTSCAN：评估泄漏在胸部CT分割中的影响及可重复的患者不重叠基准
机构 * Apple（苹果公司）
专题命中 Agent评测 ：workflow(abstract)
AI总结 本文提出CTSCAN基准，通过可重复的患者不重叠评估方法，揭示了训练与测试数据混合导致的性能虚高问题，并展示了去除患者重叠对分割指标的显著影响。
通过放松连续性进行分支定价求解移动目标车辆路径问题的最优解
机构 * Robotics Institute at Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Mechanical and Aerospace Engineering at Michigan Technological University（密歇根技术大学机械与航空航天工程系） ； UM-SJTU Joint Institute and Department of Automation at Shanghai Jiao Tong University（上海交通大学与UM-SJTU联合研究所及自动化系） ； Department of Mechanical Engineering and Department of Computer Science and Engineering at Texas A&M University（德克萨斯大学阿姆斯特朗分校机械工程系和计算机科学与工程系）
专题命中 Agent评测 ：agent(abstract)
AI总结 本文提出一种新的分支定价与放松连续性算法，用于求解移动目标车辆路径问题，通过改进的标签算法有效解决定价子问题，并在25个目标实例中展示出比现有方法快数倍的求解速度。
Comments Accepted to ICAPS 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈