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。
人工智能代理行为的诊断框架
机构 * Cheung Kong Graduate School of Business（长江商学院）
专题命中 Agent评测 ：agent(title,abstract)；AI agent(title,abstract)；分类 cs.AI
AI总结 研究人工智能代理在复杂系统中的行为评估问题，提出层归因诊断框架，该框架含基础计算层和行为调制层，阐明了替代有效性等三个结果，为评估代理行为提供了新方法。
从过载到洞察：人工智能代理如何支持科学家分析复杂数据
机构 * European XFEL（欧洲X射线自由电子激光设施）
专题命中 Agent评测 ：AI agent(title,abstract)；agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 针对欧洲XFEL科学家分析复杂数据面临的挑战，设计并评估智能AI系统。采用设计科学研究方法，经多项研究开发并评估两原型，确定关键挑战，得出对AI代理的要求及设计建议，为开发可维护的AI支持提供指导。
Comments Accepted for publication at the 42nd IEEE International Conference on Software Maintenance and Evolution
智能体如何请求许可：人工智能智能体的用户权限，从接口到执行
机构 * University of Washington（华盛顿大学）
专题命中 Agent评测 ：AI agent(title,abstract)；agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 研究人工智能智能体系统中用户级权限处理问题，通过调查21个提案构建分类法，分析五个商业智能体并与文献系统比较，确定主题与空白，为智能体权限系统研究提供参考。
Comments 15 pages, 4 figures
立场：编程基准与智能体软件工程不一致
机构 * Tessl
专题命中 Agent评测 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI、cs.CL、cs.SE
AI总结 本文指出当前编程基准在智能体时代存在三大问题：混淆模型与系统框架、单一参考答案惩罚有效替代方案、缺乏组件级信号导致迭代困难，并提出应重新设计基准以对齐智能体软件工程。
AgentCompass：用于智能体能力的统一评估基础设施
机构 * Shanghai AI Laboratory（上海人工智能实验室）
专题命中 Agent评测 ：agent(title,abstract)；autonomous agent(abstract)；分类 cs.AI、cs.SE
AI总结 研究针对大语言模型演变成自主智能体后评估基础设施分散的问题，提出AgentCompass，通过围绕三个独立组件组织评估过程，具备容错异步运行时和轨迹分析工具，支持多基准测试，为智能体研究提供可扩展、可重复的基础设施。
CyberGym-E2E：面向AI代理端到端网络安全能力的可扩展真实世界基准
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
专题命中 Agent评测 ：AI agent(title,abstract)；agent(abstract)；分类 cs.AI、cs.LG
AI总结 提出CyberGym-E2E，一个大规模、真实的端到端网络安全基准，通过自动化流水线将开源漏洞数据转化为评估环境，全面评估AI代理在漏洞发现、PoC生成和补丁生成全生命周期中的能力。
Comments ICML 2026
RT-SHCUA：用于无人机控制的实时自托管计算机使用代理
机构 * School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院） ； Shaanxi Key Laboratory of Network and System Security（陕西省网络与系统安全重点实验室） ； College of Cyber Security, Jinan University（广州大学网络安全学院） ； School of Cyber Engineering, Shaanxi Key Lab of Network and System Security（陕西省网络与系统安全重点实验室）
专题命中 Agent评测 ：agent(title,abstract)；tool use(abstract)；分类 cs.AI
AI总结 研究针对将SHCUA用于无人机控制的结构不匹配问题，提出实时安全导向的重组方法，把SHCUA输出转换为合同约束的无人机技能调用，设计分离架构，原型评估显示RT-SHCUA能保持响应能力并支持相关特性。
一种用于机器人研究的基于BIM和智能体的离散事件模拟平台：一种基于图论的方法
专题命中 Agent评测 ：agent(title,abstract)；planning(abstract)；分类 cs.SE
AI总结 研究针对室内机器人复杂任务中建筑信息利用不足问题，提出基于BIM和智能体的模拟平台，将室内环境映射为图，用图论算法规划导航路径，经模拟验证其有效性，为BIM智能机器人系统奠定基础。
只是一个相当非常智能的语音代理
机构 * NVIDIA（英伟达）
专题命中 Agent评测 ：agent(title,abstract)；AI agent(abstract)；分类 cs.AI
AI总结 研究长期人工智能代理与用户交互薄弱问题，引入JarvisBench基准测试，含代理协作和用户交互两轨道，用模块化原型评估，结果显示贾维斯式调解可提升任务性能，其有效性取决于调解器语言模型大脑。
用于端到端概率地震危险性和风险分析的智能体接口
机构 * Université Paris-Saclay, CentraleSupélec, ENS Paris-Saclay, CNRS, LMPS — Laboratoire de Mécanique Paris-Saclay（巴黎-萨克莱大学、中央超导学院、巴黎-萨克莱高等师范学院、国家科学研究中心、LMPS——巴黎-萨克莱力学实验室） ； GFZ Helmholtz Centre for Geosciences（德国地球科学霍普夫兹中心） ； University of Potsdam, Institute of Geosciences（波茨坦大学、地球科学学院）
专题命中 Agent评测 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI
AI总结 研究针对概率地震危险性和风险分析专家化问题，提出通过开源服务器及MCP构建智能体接口，利用LLM与OpenQuake引擎等协作计算，实现多功能分析，结果与官方值匹配度高且计算快，还能接受自定义GMM并添加新功能，设计层可拓展。
Comments 24 pages, 8 figures
智能体可靠性源自何处？生产企业智能体中验证循环、专家模型和脚手架的跨基准分解
机构 * Leni Inc.（Leni公司）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI、cs.SE
AI总结 研究多步骤企业智能体任务失败问题，以生产系统Leni为研究对象，其含验证循环等。通过在三个基准测试评估，发现完整系统有提升。核心贡献是分解提升来源，指出大部分来自脚手架等，验证步骤单独贡献小但作用关键，还得出相关矩阵和模型等结论。
Comments 19 pages, 5 figures, 5 tables. Evaluations conducted March-April 2026. Run-level evaluation record and audit scripts: https://github.com/arnabdastidar/leni-agent-evals
掩码扩散语言模型是用于智能体强化学习的强大且可控的基于文本的世界模型
机构 * Patronus AI（守护神人工智能公司）
专题命中 Agent评测 ：agentic(title)；agent(abstract)；分类 cs.AI、cs.LG
AI总结 研究强化学习中世界模型问题，对比自回归语言模型和掩码扩散语言模型，发现掩码扩散语言模型性能更优。引入GRPO训练框架，在三个OOD环境上零样本转移消融效果良好，还进行相关分析与评估，最后开源工作推动该领域研究。
Comments Dataset: https://huggingface.co/PatronusAI/world_model_corpus Training code: https://github.com/patronus-ai/mdlm_world_modeling
ClawBench：AI代理能否完成日常在线任务？
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Etude AI ； Carnegie Mellon University（卡内基梅隆大学） ； University of Waterloo（滑铁卢大学） ； Shanghai Jiao Tong University（上海交通大学） ； UniPat AI ； Zhejiang University（浙江大学） ； HKUST（香港科技大学） ； Tsinghua University（清华大学）
专题命中 Agent评测 ：AI agent(title,abstract)；分类 cs.AI、cs.CL
AI总结 ClawBench通过153个日常任务测试AI代理能力，涵盖15类144个平台，挑战多步骤流程和复杂操作，揭示现有模型在真实环境中的局限性。
Comments Project page: https://claw-bench.com
FinBench：用于智能金融预测的时间门控校准与不确定性基准测试
机构 * UT Austin（得克萨斯大学）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.LG
AI总结 介绍用于金融预测的FinBench基准，它通过时间门控避免前瞻偏差，用适当评分规则评估。任务要求模型输出正回报概率和预测区间，用多种分数评估，通过小型试点运行展示校准敏感指标能区分不同预测行为。
Comments 9 pages, 3 figures
SAGA：用于时间基准生成的合成智能体图架构
机构 * University of Memphis（密苏里大学）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 针对时间图基准稀缺问题，SAGA系统通过四阶段管道生成大规模语义丰富的时间图，其架构解耦结构与语义，能实现结构真实性、语义丰富性和自动异常标注，在单个H100 GPU上高效生成大量带受控异常的时间边。
看清实际存在的东西：用于在视觉语言模型中对代理视觉证据进行反事实评估的PriVE-Bench和PriVE-Tools
机构 * The University of Manchester（曼彻斯特大学） ； The University of Melbourne（墨尔本大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； Fudan University（复旦大学） ； University of Newcastle（纽卡斯尔大学）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 本文针对视觉语言模型常依先验而非图像回答问题的现象，引入PriVE-Bench和PriVE-Tools。通过配对图像及工具衍生证据评估模型，对比不同输入，发现视觉证据工具在特定情况有帮助，但不能解决所有模型依先验回答的问题。
使嵌入模型适应智能体能力检索
专题命中 Agent评测 ：agent(title,abstract)
AI总结 研究如何让一般文本检索的现成模型适应智能体能力检索，通过微调三个模型在特定数据集上训练，测试其在未训练目录上的迁移能力，结果显示适应对两个目录均有帮助。
Comments Accepted for oral presentation at the AgentSearch Workshop, SIGIR 2026
具有风险相互依存性的保险委托-代理平均场博弈模型
专题命中 Agent评测 ：agent(title,abstract)
AI总结 研究道德风险、内生参与和战略风险相互依存下的保险合同设计问题，用异质平均场博弈近似战略互动，建立下层均衡存在性与唯一性，嵌入上层优化问题，证明相关均衡存在，扩展到有限合同菜单，表明多合同筛选可提高委托人预期收益。
自适应对手：用于大语言模型智能体安全的多轮、多大语言模型基准测试
机构 * Lambda
专题命中 Agent评测 ：agent(title)；分类 cs.AI、cs.LG
AI总结 该研究提出针对无记忆大语言模型防御者的自适应多轮攻击的21场景基准测试，通过观察防御者响应灵活调整攻击。介绍了不同攻击轮次成功率，汇集多个前沿攻击者大语言模型的情况，还指出不同防御者弱点差异及场景排名不一致性，并发布了相关基准测试及数据集。
Comments Second Workshop on Agents in the Wild: Safety, Security, and Beyond
教它停止，而不仅仅是点击
机构 * Cabal AI ； Para AI
专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI、cs.LG、cs.SE
AI总结 研究智能体计算机使用强化学习中单次运行结果的误导性，通过验证器引导修复35B智能体，发现成功率受上游方差主导，修复能力分两层，框架级修复有条件，还发现自身过度断言，发布库用于k种子报告，首次进行多模态分段聚合策略内自蒸馏更新。
Comments 15 pages, 3 figures. Reliability protocol and library (cua_reliability), completion verifier, and leakage-free held-out plus bootstrap evaluation harness are open-source
基于验证器的基准协同进化的自修改精益证明智能体
机构 * University of Pittsburgh（匹兹堡大学）
专题命中 Agent评测 ：agent(abstract)；workflow(abstract)；分类 cs.AI、cs.LG
AI总结 研究设计有效精益证明智能体的挑战，提出自进化精益证明智能体，其工作区可变，与基准协同进化，通过特定更新机制保持分数可比，经实验验证该方法能有效改善精益证明工作流程。
Comments 22 pages, 2 figures, 3 tables
弗拉索夫方程平均场推导的形式化：作为策略游戏的人工智能辅助精益形式化
机构 * Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院）
专题命中 Agent评测 ：agent(abstract,comments)；AI agent(abstract)；分类 cs.AI
AI总结 该研究以数学家指导AI在Lean 4中形式化研究成果为案例，将其构建为形式化游戏。通过此方式对非线性弗拉索夫方程适定性完整形式化，展示了开发过程及成果，还介绍了最优传输机制的分离情况及开发时间等，为形式化研究提供了新方法。
Comments 26 pages, 4 figures. Lean 4 development, blueprint site, and agent logs: https://github.com/Hydrodynamical/Vlasov_Meanfield_Formalization
SGA：用于教育视频合成的即插即用几何验证
机构 * Universidad Industrial de Santander（桑坦德工业大学） ； King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 研究针对教育视频合成中空间正确性和视觉清晰度难题，提出符号几何智能体SGA，通过拦截代码、提取场景图及针对性优化提升质量，引入MVQS，实验显示其在多配置下有效提升了视觉质量分数。
针对多跳检索增强生成智能体的显著性诱导：威胁与防御
机构 * National University of Defense Technology（国防科技大学）
专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.CL
AI总结 研究多跳检索增强生成智能体面临的新攻击面——显著性通道，提出显著性诱导方法并定义操作符类，构建管道，引入基准。通过实验评估多种模型和架构，展示该方法有效性，强调智能体RAG需防御显著性 - 相关性解耦。
Comments 18 pages, 4 figures, 12 tables
作为rho-POMDPs中信念依赖效用的期望自由能
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校）
专题命中 Agent评测 ：agent(abstract)；planning(abstract)；分类 cs.AI
AI总结 研究在部分可观测性下智能体信息收集决策问题，核心方法是用主动推理最小化期望自由能，此方法被证明等同于求解特定rho-POMDP，实验表明该方法在多种环境中表现良好，能提供基于信念的效用，避免过度探索。
Comments 41 pages, 12 figures. Paper accepted as a spotlight at the 2026 International Workshop on Active Inference (IWAI); the workshop version will appear in the Springer Communications in Computer and Information Science (CCIS) series. Code and experiment data at https://github.com/PatrickAllenCooper/rho_aif
SkillRouter：大规模LLM代理中的技能路由
机构 * Alibaba Group（阿里巴巴集团）
专题命中 Agent评测 ：agent(abstract)；planning(abstract)；分类 cs.LG
AI总结 本文提出SkillRouter，通过全文本检索和重排序提升大规模LLM代理的技能路由性能，实验显示隐藏技能体导致路由准确率下降31-44个百分点，SkillRouter在基准测试中达到74.0%的Hit@1性能。
技术报告：NVIDIA Blackwell上的人工智能辅助门控DeltaNet优化
专题命中 Agent评测 ：agent(abstract,abstract_cn)
AI总结 研究以MSInfer团队提交给MLSys 2026 FlashInfer竞赛的作品为例，探讨人工智能辅助GPU编程。该作品优化门控DeltaNet解码和预填充，在NVIDIA B200/Blackwell上实现1.58倍加速，揭示竞赛级优化需考虑多方面，将其视为端到端系统问题。
Comments 10 pages, 5 tables. Technical report
RAIL Guard：弥合大语言模型智能体负责任人工智能中评估与修复的差距
机构 * Responsible AI Labs（负责任人工智能实验室）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.CL、cs.SE
AI总结 研究针对大语言模型智能体评估与修复差距问题，提出RAIL Guard闭环负责任人工智能管道，在多维度评估输出并迭代修复。实验表明其闭环修复收敛率高，能减少不安全执行，还区分了可修复与结构维度问题，系统开源。
Comments 15 pages, 10 figures, 4 tables. Code: https://github.com/Responsible-AI-Labs/rail-score-sdk (Python). Benchmark: https://huggingface.co/datasets/responsible-ai-labs/rail-guard-benchmark
认知YOLO：基于数据第一性原理的大语言模型驱动的架构合成用于目标检测
机构 * Xi’an University of Posts and Telecommunications（西安邮电大学）
专题命中 Agent评测 ：agent(abstract)；autonomous agent(abstract)
AI总结 针对通用目标检测算法在垂直场景的问题，认知YOLO利用大语言模型与自主智能体协作，构建“分析-合成-编译”管道，合成轻量级模型，显著压缩参数数量，在mAP@0.5:0.95上表现良好，平衡了模型紧凑性和特征表示能力。
Comments 11 pages, 3 figures, 6 tables
因果软件工程：愿景与路线图
机构 * University of Naples Federico II（那不勒斯费德里科二世大学） ； University of Sheffield（谢菲尔德大学）
专题命中 Agent评测 ：workflow(abstract)；分类 cs.AI、cs.SE
AI总结 研究软件工程在不确定性下决策的关键问题，提出因果软件工程范式，通过因果模型和推理为软件生命周期活动提供信息，还给出工作流程视图、路线图及评估议程。
Comments Accepted at FSE 2026 - Ideas, Visions and Reflections (IVR) Track
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