AI Agent

RecoAtlas: From Semantic Plausibility to Set-Level Utility in LLM Recommendation Agents

RecoAtlas: 从语义合理性到集级效用在LLM推荐代理中

Imad Aouali, Flavian Vasile, Otmane Sakhi, Alexandre Gilotte, Benjamin Heymann

机构 * Criteo AI Lab（Criteo人工智能实验室） 纠错

专题命中 Agent评测 ：agentic(abstract,abstract_cn)；tool-use(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出RecoAtlas，一个用于评估购物代理的基准和工具包，通过行为基础的度量标准来评估推荐代理的性能，揭示语义合理性并不一定代表行为基础的效用。

Comments Benchmark on LLM Recommendation Agents

HSCO-Bench: An Agent-Driven End-to-End Hardware-Software Co-design Benchmark for Systems-on-Chip

HSCO-Bench: 一种由智能体驱动的端到端硬件软件协同设计基准，用于片上系统

Pei-Huan Tsai, Kuan-Lin Chiu, William Baisi, Pin-Yu Chen, Luca P. Carloni

专题命中 Agent评测 ：agent(title,abstract)

AI总结 本文提出HSCO-Bench，一个用于评估大型语言模型在端到端硬件软件协同设计能力的基准，通过评估LLM在资源约束下生成高效SoC原型的能力，揭示了当前模型在硬件加速方面的不足。

ClinQueryAgent: A Conversational Agent for Population Health Management

ClinQueryAgent：一种用于群体健康管理的对话代理

Joseph S. Boyle, Anthony Dranfield, Mike O'Neil, Maria Liakata, Alison Q. Smithard

专题命中 Agent评测 ：agent(title,abstract)

AI总结 本文提出ClinQueryAgent，一种将自然语言群体健康问题转化为可执行数据库查询的对话代理系统，通过本地和外部知识库的结合，实现安全高效的健康信息处理。

Comments 11 pages, 4 figures. Submitted to ACL Systems Demonstrations

From Role to Person: Trust Calibration Challenges in Twin Agents

从角色到个体：双代理中的信任校准挑战

Hugo Andersson, Niklas Elmqvist

专题命中 Agent评测 ：agentic(abstract,abstract_cn)；agent(abstract)

AI总结 本文探讨了双代理在专业环境中作为个体知识工作者代表时所面临的信任校准问题，指出传统框架无法处理因双代理消除了AI与人类决策者之间边界而产生的新挑战。

Comments Accepted to AutomationXP26 Workshop at CHI 2026, Barcelona, Spain. Non-archival

Fine-Grained Benchmark Generation for Comprehensive Evaluation of Foundation Models

细粒度基准生成用于基础模型的全面评估

Mohammed Saidul Islam, Negin Baghbanzadeh, Farnaz Kohankhaki, Afshin Cheraghi, Ali Kore, Shayaan Mehdi, Elham Dolatabadi, Arash Afkanpour

机构 * Vector Institute（Vector研究院） ； York University（约克大学） 纠错

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

AI总结 本文提出了一种自动化基准生成框架，用于生成覆盖广泛、元数据丰富且抗污染的评估问题，从而提升基础模型的全面评估能力。

The World Won't Stay Still: Programmable Evolution for Agent Benchmarks

世界不会静止：为智能体基准测试的可编程进化

Guangrui Li, Yaochen Xie, Yi Liu, Ziwei Dong, Xingyuan Pan, Tianqi Zheng, Jason Choi, Michael J. Morais, Binit Jha, Shaunak Mishra, Bingrou Zhou, Chen Luo, Monica Xiao Cheng, Dawn Song

机构 * Amazon（亚马逊公司） ； UC Berkeley（伯克利大学） 纠错

专题命中 Agent评测 ：agent(title)；分类 cs.AI

AI总结 本文研究了结构化环境进化作为智能体基准测试构建问题，提出了一种基于图的框架ProEvolve，使环境进化可编程，并在电商和航班预订领域验证了其在质量、实现有效性及失败模式方面的表现。

Agentic Trading: When LLM Agents Meet Financial Markets

代理交易：当大语言模型代理与金融市场相遇

Yihan Xia, Panpan You, Taotao Wang, Fang Liu, Han Qi, Xiaoxiao Wu, Shengli Zhang

机构 * College of Electronic and Information Engineering, Shenzhen University, Shenzhen, China（深圳大学电子与信息工程学院） ； Shenzhen Audencia Financial Technology Institute, Shenzhen University, Guangdong, People's Republic of China（深圳大学审计金融科技研究所） 纠错

专题命中 Agent评测 ：agentic(title)；分类 cs.AI

AI总结 本文探讨了如何将大语言模型（LLM）作为交易系统中的代理，感知市场信息、检索上下文、进行决策推理、发出可交易动作并适应市场反馈。研究通过分析77项研究，发现协议不可比性是主要问题，提出证据日志、可重复性审计和报告检查表作为主要贡献。

Comments 59 pages, 15 figures, 27 tables

To Call or Not to Call: Diagnosing Intrinsic Over-Calling Bias in LLM Agents

叫还是不叫：诊断LLM代理中的内在过度调用偏差

Wei Shi, Ziheng Peng, Sihang Li, Xiting Wang, Xiang Wang, Mengnan Du, Na Zou

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Renmin University of China（中国人民大学） ； The Chinese University of Hong Kong Shenzhen（香港中文大学（深圳）） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 本文研究了LLM代理中过度调用现象，提出内在偏差假说，通过稀疏自编码器恢复行为对齐的特征基，减少到带符号激活边距，并估计偏移量，从而修正过度调用问题。

ALSO: Adversarial Online Strategy Optimization for Social Agents

ALSO: 用于社交代理的对抗在线策略优化

Xiang Li, Liping Yi, Mingze Kong, Min Zhang, Zhongxiang Dai, QingHua Hu

机构 * School of Artificial Intelligence, Tianjin University, Tianjin, China（天津大学人工智能学院，天津，中国） ； The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） ； East China Normal University, Shanghai, China（华东师范大学，上海，中国） 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ALSO框架，通过将多轮交互建模为对抗性带薪问题，并引入轻量级神经代理来预测奖励，从而在动态环境中实现社交代理的鲁棒策略优化。

Comments Accepted at ICML 2026

ESLD (External Surrogate Latent Defense): A Latent-Space Architecture for Faster, Stronger Prompt-Injection Defense

ESLD (外部代理潜在防御)：一种用于更快、更强提示注入防御的潜在空间架构

Yash Narendra

机构 * Microsoft（微软） 纠错

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

AI总结 本文提出了一种名为ESLD的潜在空间架构，通过利用守卫模型内部表示中的信号来加速安全检查并提高检测准确性，无需重新训练或修改守卫模型。

HalluWorld: A Controlled Benchmark for Hallucination via Reference World Models

HalluWorld: 一个用于通过参考世界模型控制幻觉的基准

Emmy Liu, Varun Gangal, Michael Yu, Zhuofu Tao, Karan Singh, Sachin Kumar, Steven Y. Feng

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Patronus AI ； Independent Researcher（独立研究者） ； Stanford University（斯坦福大学） ； The Ohio State University（俄亥俄州立大学） ； DegenAI Labs（DegenAI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HalluWorld基准，通过显式参考世界模型研究语言模型的幻觉问题，发现不同任务中幻觉表现不一致，表明幻觉源于多种失败模式而非单一能力。

Comments HalluWorld benchmark (code and data) at github.com/DegenAI-Labs/HalluWorld

Borrowed Geometry: Cross-Distribution Head-Importance Fingerprints of Frozen Pretrained Gemma 4 31B

借来的几何：冻结预训练的Gemma 4 31B在跨分布头部重要性指纹

Abay Bektursun

机构 * Independent research（独立研究） 纠错

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

AI总结 本文研究了冻结预训练的Gemma 4 31B模型在跨分布任务中的头部重要性指纹，通过分析多个任务中的头部影响，发现特定头部在不同任务中表现出显著的重要性，同时验证了这些头部在因果上的有效性。

Comments v2: Added head-level causal ablation on OGBench cube-task1 (n=30, 3.2x specificity; n=5 paired-t p=0.039) and full L26 sweep. New sections on honest negatives (activation patching null, sufficiency null, within-layer Spearman wrong-direction). Multiplicity-aware permutation null V4 P=0.013. Title and framing updated. 25 pages (13 main), 10 figures

Hybrid Training for Vision-Language-Action Models

视觉-语言-动作模型的混合训练

Pietro Mazzaglia, Cansu Sancaktar, Markus Peschl, Daniel Dijkman

机构 * Qualcomm AI Research（高通AI研究） 纠错

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

AI总结 本文提出混合训练框架，旨在使视觉-语言-动作模型在推理时能够根据需要生成思考过程或直接预测动作，从而在保持性能提升的同时提高推理效率。

Comments Published as a conference paper at ICLR 2026

The 99% Success Paradox: When Near-Perfect Retrieval Equals Random Selection

99%成功悖论：当近完美检索等于随机选择

Vyzantinos Repantis, Harshvardhan Singh, Tony Joseph, Cien Zhang, Akash Vishwakarma, Svetlana Karslioglu, Michael Wyatt Thot, Ameya Gawde

机构 * Meta Platforms Inc.（Meta平台公司） 纠错

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

AI总结 该研究引入了Bits-over-Random（BoR）指标，揭示了高成功率可能掩盖随机水平性能的现象，指出在大规模数据集上，即使检索结果覆盖率达到99%，其选择性仍可能接近零，从而表明需要重新考虑检索深度和传统指标的报告方式。

Comments 12 pages, 2 figures, 7 tables. Accepted at ICLR 2026 Blog Track, https://iclr-blogposts.github.io/2026/blog/2026/bits-over-random/

Journal ref ICLR Blog Track 2026, https://iclr.cc/virtual/2026/poster/10012083

JAXenstein: Accelerated Benchmarking for First-Person Environments

JAXenstein: 加速的第一人称环境基准测试

Ruo Yu Tao, George Konidaris

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

AI总结 本文提出JAXenstein，一个基于JAX的开源基准测试，用于加速第一人称视觉任务的实验，通过实现Wolfenstein 3D渲染引擎，提高了实验效率并支持更复杂的环境。

Comments Main paper: 5 pages, supplementary material: 3 pages

Towards Trust Calibration in Socially Interactive Agents: Investigating Gendered Multimodal Behaviors Generation with LLMs

迈向社交互动代理的信任校准：探究LLMs生成性别化的多模态行为生成

Lucie Galland, Chloé Clavel, Magalie Ochs

机构 * LIS Laboratory, Amu（LIS实验室，Amu） ； Inria Paris（Inria巴黎） 纠错

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

AI总结 本文研究了LLMs生成多模态行为以反映能力与善意的不同层次，探讨了性别对行为生成的影响，并通过用户研究验证了方法的有效性。

Measuring Safety Alignment Effects in Autonomous Security Agents

在自主安全代理中测量安全对齐效应

Isaac David, Arthur Gervais

机构 * University College London（伦敦大学学院） 纠错

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

AI总结 本文提出了一种基于轨迹的基准测试，用于评估安全代理在执行漏洞分析任务时的安全对齐效果，发现安全代理的性能差异主要体现在拒绝、不安全行为和工具可靠性等方面，而非单纯的拒绝率。

POLAR-Bench: A Diagnostic Benchmark for Privacy-Utility Trade-offs in LLM Agents

POLAR-Bench: 一个用于LLM代理隐私-效用权衡的诊断基准

Qiaoyuan Zheng, Yiqu Yang, Qi Gao, Imanol Schlag

机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心） 纠错

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

AI总结 本文提出POLAR-Bench基准，用于评估LLM代理在隐私和效用之间的权衡。通过在10个领域和7,852个样本上进行测试，该基准通过确定性集合成员hip评分隐私和效用，并在两个正交轴上变化隐私策略维度和攻击策略，生成5x5的诊断表面。结果揭示了当前前沿模型在保护属性上隐瞒超过99%，而较小的开放权重模型在1-30B范围内表现更差，泄露率高达一半。

Comments Preprint

FAGER: Factually Grounded Evaluation and Refinement of Text-to-Image Models

FAGER：基于事实的文本到图像模型评估与改进

Youngsun Lim, Cusuh Ham, Pin-Yu Chen, Deepti Ghadiyaram

机构 * Boston University（波士顿大学） ； Adobe（Adobe公司） ； IBM Research（IBM研究院） 纠错

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

AI总结 本文提出FAGER框架，用于评估和改进文本到图像模型的事实准确性，通过结合LLM生成事实和参考引导的视觉事实提取与验证，构建结构化事实评估标准，并通过VLM进行评估，验证FAGER在事实性测试中优于现有方法，并能无训练改进T2I输出。

Comments It was accepted for an oral presentation at the 2nd Workshop on the Evaluation of Generative Foundation Models (EVGENFM2026) at CVPR 2026. Total 8 pages (1 page for references). 5 figures

A Logistic Regression Model to Predict Malaria Severity in Children

一种用于预测儿童疟疾严重程度的逻辑回归模型

Mary Opokua Ansong, Asare Yaw Obeng, Samuel King Opoku

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

AI总结 本研究提出了一种逻辑回归模型，利用环境和生物学因素预测儿童疟疾的严重程度，通过83.3%的准确率验证了模型的有效性，并强调了样本代表性的的重要性。

Journal ref Eur. J. Electr. Eng. Comput. Sci. 8 (2024) 31-35

Satisfiability for Knowing How over Linear Plans is NP-complete

线性计划上的knowing-how可满足性是NP完全的

Carlos Areces, Pablo Barceló, Valentin Cassano, Pablo F. Castro, Stéphane Demri, Raul Fervari

专题命中 Agent评测 ：agent(abstract)

AI总结 本文研究了表达knowing-how断言的模态逻辑的可满足性问题，证明了该逻辑的可满足性是NP完全的，改进了已知的复杂性界限。

FIKA-Bench: From Fine-grained Recognition to Fine-Grained Knowledge Acquisition

FIKA-Bench: 从细粒度识别到细粒度知识获取

Geng Li, Yuxin Peng

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学计算机技术研究所） 纠错

专题命中 Agent评测 ：agent(abstract)

AI总结 本文提出FIKA-Bench，一个包含311个公开来源和现实实例的细粒度知识获取基准，通过过滤和审计确保实例质量，评估最新多模态模型和代理发现细粒度识别任务仍具挑战性，需改进代理设计以提升知识获取能力。

Comments Project page with code: https://ligeng0197.github.io/FIKA-Bench.github.io/

Effective synchronization amid noise-induced chaos

在噪声诱导混沌中的有效同步

Benjamin Sorkin, Thomas A. Witten

专题命中 Agent评测 ：agent(abstract)

AI总结 研究探讨了在强噪声环境下通过有效同步实现远程代理协同工作的机制，展示了在传统噪声诱导同步之外的同步可能性，并讨论其在生物系统中的应用。

Comments 18 pages, 13 figures

Journal ref Phys. Rev. E 113, 054215 (2026)

Distributed Gradient-Regularized Newton Method: Scheduled Consensus and O(epsilon^{-1}) Global Iteration Complexity

分布式梯度正则化牛顿法：调度共识与O(epsilon^{-1})全局迭代复杂度

Wei Hu, Pengcheng Xie, Ya-Xiang Yuan, Li Zhang

专题命中 Agent评测 ：agent(abstract)

AI总结 本文提出了一种完全去中心化的二次优化方法DisGrem，用于解决网络上的凸共识优化问题。该方法通过两阶段 gossip-mixing 机制进行通信，结合消失梯度范数正则化和特征值位移稳定器，实现了O(epsilon^{-1})的迭代复杂度，匹配中心化正则化牛顿方法的收敛速度，无需线搜索或步长调整。

Comments 62 pages, 16 figures

Platform architecture determines whether recommendation algorithms can shape information quality on social media

平台架构决定推荐算法是否能塑造社交媒体上的信息质量

Mohammad Hammas Saeed, David A. Broniatowski, Joseph Simons, Erica Gralla, Manan Suri, Giovanni Luca Ciampaglia

专题命中 Agent评测 ：agent(abstract)

AI总结 本文研究了社交媒体平台架构和推荐算法如何影响信息的传播和质量，发现平台架构比算法调整更有效，特别是在信息质量和流行度之间关系不明确的平台上，推荐算法的影响更显著。

Comments 36 pages, 6 figures, 21 tables

Addressing the Reality Gap: A Three-Tension Framework for Agentic AI Adoption

弥合现实鸿沟：面向智能体AI采纳的三重张力框架

Jason Fournier, Kacper Łodzikowski

机构 * Imagine Learning ； Adam Mickiewicz University in Poznań（波兹南亚当·密茨凯维奇大学） 纠错

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

AI总结 本文提出一个三重张力框架，用于指导教育领域在采纳智能体AI时平衡实施可行性、适应速度和使命契合度，以实现教育个性化和公平性。

Comments This is a preprint version of an edited book chapter to appear in Mayrath, M., J. Behrens, D. Robinson, (eds) (2026). Handbook of Generative AI in Education: Integrating Research into Practice, Springer

Surviving the Unseen: Predictive Defense for Novel Multi-Turn Multimodal Attacks

在不可见中存活：面向新颖多轮多模态攻击的预测防御

Doohee You

机构 * Trust and Safety, Google（谷歌信任与安全部） 纠错

专题命中 其他Agent ：autonomous agent(abstract)；agentic(abstract)；分类 cs.AI

AI总结 本文提出了一种预测性防御方法，用于应对新颖多轮多模态攻击，通过动态生存预测和轨迹动态问题来解决静态防御机制的不足，建立了一个计算高效且可解释的安全保障框架。

Silent Collapse in Recursive Learning Systems

递归学习系统中的沉默崩溃

Zhipeng Zhang

机构 * China Mobile Research Institute（中国移动研究院） ； China Mobile GBA (Greater Bay Area) Innovation Institute（中国移动大湾区创新研究院） 纠错

专题命中 其他Agent ：autonomous agent(abstract)；分类 cs.LG

AI总结 本文研究了递归学习系统中模型内部分布逐渐退化的现象，提出MTR框架通过监测轨迹统计量和调整学习强度来提前预警并防止沉默崩溃。

Causal Evidence that Language Models use Confidence to Drive Behavior

语言模型使用置信度驱动行为的因果证据

Dharshan Kumaran, Nathaniel Daw, Simon Osindero, Petar Veličković, Viorica Patraucean

机构 * Google DeepMind（谷歌DeepMind） ； Princeton University（普林斯顿大学） 纠错

专题命中 其他Agent ：autonomous agent(abstract)；分类 cs.LG

AI总结 研究探讨了语言模型是否利用置信度信号来控制行为，如决定回答或 abstain，通过四个阶段实验发现模型使用多维内部置信表示和阈值策略来实现 abstention，揭示了结构化的元认知控制机制。

From Refusal to Recovery: A Control-Theoretic Approach to Generative AI Guardrails

从拒绝到恢复：一种生成AI防护机制的控制论方法

Ravi Pandya, Madison Bland, Duy P. Nguyen, Changliu Liu, Jaime Fernández Fisac, Andrea Bajcsy

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） ； Equal Advising（平等指导） 纠错

专题命中 其他Agent ：agentic(abstract)；分类 cs.AI

AI总结 本文提出了一种基于控制论的生成AI防护机制，通过实时监控和主动纠正高风险输出，提供了一种动态替代传统标志和阻断方法的解决方案。

Journal ref Second International Association on Safe and Ethical AI Conference (IASEAI 2026)