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。
TxBench-PP：分析AI代理在小分子临床前药理学中的表现
机构 * LatchBio
专题命中 Agent评测 ：agent(title)；AI agent(title)；workflow(abstract)；分类 cs.AI、cs.LG
AI总结 提出TxBench-PP基准，用于评估AI代理从真实实验数据中恢复临床前药理学结论的能力，测试显示最强配置Claude Opus 4.8 / Pi仅通过59.3%的端点尝试。
面向空间自主性的智能体自动研究：用于航空航天控制问题的可审计、LLM驱动的研究代理
机构 * Department of Aeronautics and Astronautics（航空航天学系）
专题命中 Agent评测 ：agent(title,abstract)；agentic(title)
AI总结 提出AutoResearch框架，利用大语言模型作为离线研究代理，自动迭代开发航天控制策略，并通过内置可信层审计结果，消除种子噪声影响，在交会和对接问题上验证了有效性。
DRFLOW：用于个性化工作流预测的深度研究基准
机构 * ServiceNow AI Research（ServiceNow人工智能研究）
专题命中 Agent评测 ：workflow(title,abstract)；agent(abstract,abstract_cn)；分类 cs.AI
AI总结 提出DRFLOW基准，评估AI代理从异构源预测个性化工作流的能力，包含5领域100任务，并设计7个诊断指标，实验显示现有代理性能有限。
PowerAgentBench-Dyn：电力系统动态研究中智能体AI的基准测试
专题命中 Agent评测 ：agentic(title,abstract)；agent(abstract)；planning(abstract)
AI总结 提出PowerAgentBench-Dyn基准，用于评估基于LLM的智能体在电力系统动态分析任务中的能力，涵盖模型质量审查和安全风险筛选两个任务。
ScholarQuest：开放文献环境中智能学术论文搜索的基于分类法的基准测试
机构 * State Key Lab of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室）
专题命中 Agent评测 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI
AI总结 提出ScholarQuest基准，基于1000多个计算机科学主题和四种研究意图，构建可扩展的答案和共享检索后端，评估LLM智能体在开放文献环境中的学术论文搜索能力。
VitalAgent: 一种工具增强型代理，用于对可穿戴健康数据进行反应性和主动式生理监测
机构 * The University of Melbourne, Australia（墨尔本大学） ； Dartmouth College, US（达特茅斯学院） ； University of Auckland, New Zealand（奥克兰大学） ； Eindhoven University of Technology, Netherlands（埃因霍温理工大学）
专题命中 Agent评测 ：agent(title)；tool use(abstract)；agentic(abstract)；分类 cs.AI
AI总结 提出VitalAgent框架，通过工具增强推理和纵向生理记忆，实现对ECG/PPG信号的反应性问答与主动监测，在VitalBench基准上相比基线提升超30%。
Comments Minor revisions; results unchanged
自主AI代理的抗博弈保险合约：策略证明的通行费机制设计
机构 * Hao-Hsuan Chen（何浩轩）
专题命中 Agent评测 ：AI agent(title)；agent(abstract)；分类 cs.AI
AI总结 本文扩展了时间一致精算运行时的框架，使运营商策略化，刻画了自主AI代理保险合约的五种攻击空间，并证明了精算运行时的抗博弈性，通过新合约条款实现激励兼容。
Comments 29 pages. Companion to arXiv:2605.26508 (Paper A, foundations) and arXiv:2605.25632 (Paper B, empirical)
通过知识增强的LLM智能体实现左移高层次综合验证
专题命中 Agent评测 ：agent(title,abstract)
AI总结 提出一种知识增强的智能体驱动左移验证框架，通过双层级一致性检查、符号执行和HLS验证知识图谱，在综合前自动验证C与HLS-C的功能一致性，覆盖率达98.26%。
ORAgentBench: LLM代理能否解决具有挑战性的端到端运筹学任务？
机构 * Southeast University（东南大学） ； Waseda University（早稻田大学） ； Nanyang Technological University（南洋理工大学）
专题命中 Agent评测 ：agent(abstract)；autonomous agent(abstract)；workflow(abstract)；分类 cs.AI
AI总结 提出ORAgentBench基准，评估LLM代理在端到端运筹学任务中的表现，发现当前代理通过率仅35.51%，主要受策略性弱点限制。
Comments 31 pages, preprint, v1
Connect the Dots：通过强化学习训练具备跨域泛化能力的长期生命周期智能体
机构 * Alibaba Group（阿里巴巴集团）
专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；分类 cs.AI、cs.CL、cs.LG
AI总结 提出Connect the Dots框架，通过端到端强化学习训练LLM在长期任务中自我更新上下文并泛化到新领域，实验验证了跨域泛化能力。
Comments Work in progress; we will continuously update the codebase and arXiv version
使用本体约束的LLM代理自动化标准化遗留生物医学元数据
机构 * Division of Computational Medicine, Stanford University（斯坦福大学计算医学部） ； Department of Biology, University of Pennsylvania（宾夕法尼亚大学生物学系）
专题命中 Agent评测 ：agent(title)；分类 cs.AI
AI总结 提出基于LLM的元数据标准化系统，通过实时查询标准指南和本体服务，在839条HuBMAP记录上验证，相比纯LLM方法显著提升预测准确性。
IHBench：评估语音代理在结构化工作流中的中断后恢复能力
机构 * Boson AI
专题命中 Agent评测 ：agent(abstract)；workflow(abstract)；分类 cs.AI、cs.LG
AI总结 提出IHBench基准，评估语音代理在结构化工作流中处理中断后的恢复能力，涵盖任务完成和恢复质量两个维度，实验表明闭源模型比开源模型更鲁棒。
加速AI伦理与Telus生成式AI对话代理
专题命中 Agent评测 ：agent(title)
AI总结 本文阐述加速伦理学的理论框架，并通过Telus公司的生成式AI语言工具案例，展示加速AI伦理如何在创新与安全之间平衡，以最大化社会责任。
Journal ref Law Ethics Technol. 2026(2):0006
主体之道：自生目标人工智能、嵌入主体与自我的消解
机构 * Aritra Sarkar
专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 本文探讨自生目标AI中主体生成自身目标的问题，通过内在动机、资源驱动先验、因果干预学习、稳态和嵌入性等概念，揭示嵌入性虽必要但不充分，并指出核心难题在于主体如何生成并相对化自我，最后提出量子表述、哲学解读和基于LLM的具体实现。
大型语言模型黑盒不确定性估计方法的系统评估
机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统国家重点实验室）
专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 系统评估了24种黑盒不确定性估计方法在4个模型和4个数据集上的表现，发现无单一方法普遍最优，但基于答案空间推理和比较的方法通常有效，混合方法在多数条件下表现良好。
超越静态排行榜：LLM智能体评估的预测有效性
机构 * IBM
专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 本文通过14项并行研究，论证聚合分数排行榜无法泛化到分布外场景，提出基于预测有效性的排名配置方法，并设计可证伪的分布外评估标准。
Comments 17 pages, 2 tables, 5 figures
OnDeFog：帧丢失下的在线决策变压器
机构 * Yokohama National University（横滨国立大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.LG
AI总结 针对帧丢失导致性能下降的问题，提出OnDeFog，将DeFog机制与在线决策变压器结合，通过直接环境交互学习策略，在高丢帧率环境下优于ODT，在低奖励数据集上优于DeFog。
Comments Accepted to PRICAI 2025
去中心化联盟形成的退出与加入动力学
机构 * New York University Tandon School of Engineering（纽约大学坦登工程学院） ； Department of Electrical and Computer Engineering（电气与计算机工程系）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 研究基于单边退出与加入决策的去中心化联盟形成动力学，利用Aumann-Dreze值计算个体收益，建立合作支付分配与非合作最优反应的关联，并分析均衡特征及成本对局部稳定性的影响。
TRAP：任务完成与主动隐私提取抵抗基准
机构 * Dept. of Electrical Engineering, POSTECH（POSTECH电子工程系） ； Grad. School of Artificial Intelligence, POSTECH（POSTECH人工智能研究生院） ； School of Computing, KAIST（韩国科学技术院计算机学院）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 提出TRAP基准，评估智能体在文档密集型任务中平衡任务准确性与隐私泄露的能力，发现所有模型均存在非平凡泄露，并证明基于提示的防御无法同时实现高任务成功率和零泄露概率，提出结构化的私有字段隔离方法。
ShoppingBench：面向LLM智能体的真实世界意图导向购物基准
机构 * Alibaba International Digital Commercial Group（阿里巴巴国际数字商业集团）
专题命中 Agent评测 ：agent(abstract)；分类 cs.CL
AI总结 提出ShoppingBench基准，包含多层级真实购物意图任务，通过模拟环境和250万商品评估LLM智能体，发现GPT-4.1成功率低于50%，并提出轨迹蒸馏策略提升小模型性能。
Comments Accepted for oral presentation at AAAI 2026
DeepForestVisionV2：面向非洲热带森林相机监测的生态驱动分类扩展
机构 * UMR7206 Eco-Anthropologie, MNHN（UMR7206 生态人类学，法国国家自然历史博物馆） ； One Forest Vision initiative（One Forest Vision 倡议） ； Sebitoli Chimpanzee Project（塞比托利黑猩猩项目） ； Centre National de la Recherche Scientifique et Technologique（国家科学技术研究中心） ； Institut de Recherche en Ecologie Tropicale（热带生态研究所） ； Tacugama Chimpanzee Sanctuary（塔库加马黑猩猩保护区） ； Biotope（Biotope 公司） ； CIRAD（法国农业发展国际合作研究中心） ； Max Planck Institute for Evolutionary Anthropology（马克斯·普朗克进化人类学研究所） ； BOKU University（维也纳自然资源与生命科学大学） ； Agence Nationale des Parcs Nationaux du Gabon（加蓬国家公园管理局） ； Uganda Wildlife Authority（乌干达野生动物管理局） ； Addax Data Science（Addax 数据科学公司） ； Utrecht University（乌得勒支大学）
专题命中 Agent评测 ：workflow(abstract)
AI总结 针对非洲热带森林相机监测中生态梯度（垂直分层、场景开放度、人为界面）导致原35类分类过粗的问题，提出扩展至64类的DeepForestVisionV2，在保持离线工作流的同时提升野外实用性。
Comments Accepted at ICPR 2026 - Computer Vision for Biodiversity Monitoring and Conservation Workshop
头颈肿瘤 (HECKTOR) 2025 挑战赛：多模态 PET/CT 中的分割、诊断与预后基准
机构 * Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） ； Amsterdam UMC（阿姆斯特丹大学医学中心） ； The Netherlands Cancer Institute（荷兰癌症研究所） ； Radboud University Medical Centre（拉德堡德大学医学中心） ； University College London（伦敦大学学院） ； Imperial College London（帝国理工学院） ； Shenzhen Technology University（深圳技术大学） ； Shenzhen University（深圳大学） ； Newland Digital Technology（新大陆数字技术） ； The University of Sydney（悉尼大学） ； Shanghai Jiao Tong University（上海交通大学） ； University Hospital, Nantes（南特大学医院） ； Nantes Université, Centrale Nantes, CNRS, LS2N（南特大学、南特中央理工学院、法国国家科学研究中心、LS2N实验室） ； Hangzhou Dianzi University（杭州电子科技大学） ； Tsinghua University（清华大学） ； Central South University（中南大学） ； University of Glasgow（格拉斯哥大学） ； China Mobile System Integration Co., Ltd.（中移系统集成有限公司） ； Subtle Medical Inc.（Subtle Medical公司） ； University Hospital, LMU Munich（慕尼黑大学医院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； BC Cancer Research Institute（不列颠哥伦比亚癌症研究所） ； HES-SO Valais-Wallis University of Applied Sciences and Arts（HES-SO瓦莱州应用科学与艺术大学） ； Lausanne University Hospital (CHUV)（洛桑大学医院） ； LaTIM, INSERM, UMR 1101, Univ Brest（LaTIM实验室、法国国家健康与医学研究院、UMR 1101、布雷斯特大学）
专题命中 Agent评测 ：planning(abstract)
AI总结 HECKTOR 2025 挑战赛利用多模态 PET/CT 和电子健康记录，建立了头颈癌自动分析的基准，涵盖肿瘤分割、复发预测和 HPV 分类三个任务，最佳算法分别达到 Dice 0.75、C-index 0.66 和平衡准确率 0.56。
Comments 17 pages, 4 figures, 4 tables. Overview paper for the HECKTOR 2025 challenge, held as a satellite event at MICCAI 2025. Challenge website: https://hecktor.grand-challenge.org/
面向城市级危机响应模拟中时间真实性的LLM智能体方法
专题命中 Agent评测 ：agent(abstract)
AI总结 针对LLM社会模拟缺乏时间真实性的问题，基于深圳疫情志愿活动数据，提出数据校准的自激与危机激活机制，实现爆发性时间模式，使智能体时间分布接近真实。
Comments 11pages,7 figures
集聚网络：人口密度如何重塑社交网络并改变传染动态
专题命中 Agent评测 ：agent(abstract)
AI总结 通过最小主体模型，发现人口密度单独变化即可重构社交网络结构，稀疏人口形成局部集群，密集人口形成全局集成网络，并影响简单与复杂传染的传播速度与范围。
Comments Main text: 12 pages with 5 figures. Attached Supplemental Text: 3 pages with 5 figures
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