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。
\textsc{IH - 基准测试}：用于大语言模型应用中指令层次鲁棒性的以冲突为中心的基准测试
专题命中 Agent评测 ：tool-use(abstract)；分类 cs.SE
AI总结 研究大语言模型接收到不同优先级冲突指令时遵循哪个的问题，提出IH - 基准测试，基于人工分类法构建，用统一协议评估，涵盖多种设置。通过对37个模型评估发现指令层次鲁棒性非单一能力，需多方面评估。
FilmBench：用于电影视频生成的电影级基准测试
机构 * Alibaba Group（阿里巴巴集团） ； Moku Lab, Hujing Digital Media & Entertainment Group（魔氪实验室，虎鲸数字媒体与娱乐集团） ； Beijing Film Academy（北京电影学院）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 FilmBench是基于电影学院传统专业电影语言开发的文本到视频和参考到视频基准测试。它从获奖影片反向设计提示，依电影分类法评估，开发自动评估代理并开源核心套件，能再现人类模型排名，指出当前模型在动态美学等方面不足。
SkillCAT: 面向LLM智能体的对比评估与拓扑感知技能自进化
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Computer Science, Fudan University（复旦大学计算机学院）
专题命中 Agent评测 ：agent(abstract)；分类 cs.CL
AI总结 提出SkillCAT框架，通过对比因果提取、评估增强进化和拓扑感知任务执行三阶段，实现无需训练的LLM智能体技能自进化，在多个基准上平均提升高达40.40%。
Comments 9 pages, 4 figures
VideoFDB: 评估对话代理中的全双工视觉-语音能力
机构 * NVIDIA ； David AI
专题命中 Agent评测 ：agent(abstract)；分类 cs.CL
AI总结 提出首个全双工视听到视听（AV2AV）对话基准VideoFDB，通过237个真实视频片段、感知与生成行为分类以及基于评分规则的LM评判框架，系统评估代理在非语言对话动态中的表现，发现现有系统存在字幕崩溃和视觉流忽视等缺陷。
Comments Project page: https://research.nvidia.com/labs/amri/projects/video-fdb/
TabPFN扩展在可解释地质建模中的应用
机构 * Department of Civil and Environmental Engineering, Tohoku University（东北大学土木环境工程系） ； Research Organization of Information and Systems, The Institute of Statistical Mathematics（信息与系统研究所统计数学研究所） ； Department of Statistical Science, The Graduate University for Advanced Studies（高级研究大学统计科学系）
专题命中 Agent评测 ：workflow(abstract)；分类 cs.LG
AI总结 本文评估了TabPFN及其扩展库在地质任务中的表现，通过土壤类型分类和参数迭代填补，展示了TabPFN在不确定性量化和可解释性方面的优势。
Journal ref Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards (2026) 1-20
对齐目标问题：人类、人工智能系统及其设计者的道德判断分歧
机构 * The University of Hong Kong（香港大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 研究探讨了人类、AI系统及其设计者在道德判断上的差异，通过实验发现人类设计的AI行为会引发更强烈的道德约束，揭示了价值对齐的挑战。
Comments ACM FAccT 2026
面向情感的提示方法用于共情LLM辅导
机构 * Neurosciences Graduate Program, University of California San Diego（加州大学圣地亚哥分校神经科学研究生项目） ； Department of Cognitive Science, University of California San Diego（加州大学圣地亚哥分校认知科学系） ； Department of Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Department of Mathematics, University of California San Diego（加州大学圣地亚哥分校数学系） ； Face the FACS ； Halıcıoğlu Data Science Institute, University of California San Diego（Halıcıoğlu数据科学研究所）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文研究了在LLM辅导中整合面部表情信号以提升共情响应的效果，通过四种不同方法对比发现，基于动作单元的条件化能提升对面部表情的共情响应，而引导峰值帧选择优于随机帧输入。
Picasso: 基于物理约束采样的整体场景重建
机构 * Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学）
专题命中 Agent评测 ：planning(abstract)；分类 cs.AI
AI总结 提出Picasso，一种通过快速拒绝采样推理多物体交互并考虑几何、非穿透和物理约束的整体场景重建方法，在物理合理性和重建精度上显著优于现有技术。
Comments 15 pages, accepted to Robotics: Science and Systems (RSS) 2026
JETO-Bench: Java执行时间改进补丁的可复现基准测试
专题命中 Agent评测 ：agent(abstract)；分类 cs.SE
AI总结 提出JETO-Mine工具，通过静态分析、动态分析和评估框架自动构建可复现的Java执行时间改进补丁基准，并构建包含660个补丁的JETO-Bench，验证了其有效性。
无需基础的协调，协调的无需成功：可观测性与认知失败
机构 * Institut Català de Nanociència i Nanotecnologia (ICN2)（加泰罗尼亚纳米科学与纳米技术研究所（ICN2）） ； Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC））
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文探讨了大型语言模型在低可观测性和高可观测性领域中协调与基础的分离现象，提出认知三角模型以评估人工智能代理的认知能力。
Comments Error found in some results. I need to correct it before re-uploading
OpenAIs HealthBench in Action: 评估基于LLM的医疗助手在真实临床查询中的表现
机构 * OpenAI
专题命中 Agent评测 ：agentic(abstract)；分类 cs.AI
AI总结 DR.INFO在HealthBench基准测试中表现优异，优于多个前沿LLM，在复杂临床查询中展现出高准确性和情境感知能力。
Comments 13 pages, two graphs
NVIDIA OmniDreams：用于闭环自动驾驶仿真的实时生成式世界模型
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 提出OmniDreams，一个基于Cosmos扩散模型训练的基础生成式世界模型，通过自回归生成动作条件视频，实现闭环仿真中复杂长尾场景的实时合成，并验证其在策略模型训练中的有效性。
同一世界，不同给定：人工智能代理中的历史依赖性感知重组
机构 * Active Inference Institute（主动推理研究所）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文提出了一种最小架构，通过反馈的慢视角潜在变量g实现感知重组，使相同观察在不同历史下编码不同，验证了适应性自调节在代理历史依赖性视角组织中的作用。
超越以相关性为中心的检索：面向评分标准的文档集选择与排序
机构 * University of Science and Technology of China（中国科学技术大学） ； Yuanbao Team, Tencent（腾讯元宝团队） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shandong University（山东大学）
专题命中 Agent评测 ：AI agent(abstract)；分类 cs.CL
AI总结 研究针对大语言模型和人工智能代理对搜索结果质量需求，提出评估-诊断-优化框架。设计SetwiseEvalKit评估基准，评估多种重排器。在此基础上提出Rubric4Setwise方法，无需训练，能以更少文档和搜索轮次实现最佳下游生成性能，验证了闭环有效性。
Comments Project Page: https://rubric4setwise.github.io/
感觉调节网络：可停性作为对象导向现象学的架构基础
机构 * Indian Institute of Science Education and Research (IISER) Pune（印度科学教育与研究学院（IISER）浦那） ； Centre for Educational Technology (CET), Indian Institute of Technology Bombay（教育技术中心（CET），印度理工学院孟买）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文提出感觉调节网络（SMN）作为具身认知的架构，通过对手动力学和可停性机制，将对象导向现象学（胡塞尔意义）的意向性建立在身体组织的结构特征上，从而调和认知主义与4E认知的争论。
Comments 51 pages, main body 39 pages + References 6 pages, Appendices 6 pages, Tables 3, and Figures 16
用大语言模型智能体对概念擦除进行压力测试
机构 * School of Engineering, University of Edinburgh（爱丁堡大学工程学院） ； The University of Manchester（曼彻斯特大学） ； The University of Melbourne（墨尔本大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 研究针对概念擦除评估面临的验证挑战，提出STACE框架，利用大语言模型智能体迭代生成并验证压力测试假设，通过一套指标评估性能效率，经实验证明该框架在多方面表现优异且可拓展到其他领域。
自回归扩散世界模型用于LLM智能体的离线评估
机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院）
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 提出ADWM框架，通过自回归扩散世界模型从预收集轨迹中模拟环境响应，实现无需在线交互的LLM智能体策略离线评估。
选择视角：上下文相关论证中的策略性视角激活
机构 * Warsaw University of Technology（华沙技术大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文提出上下文相关论证框架（CDAF），通过击败函数和视角标记特化，研究代理如何通过选择相关性集和优先级来策略性地影响论证结果。
Comments Accepted to LAMAS&SR workshop at FLoC 2026
当基准谎言：在真实分布偏移下评估恶意提示分类器
机构 * Zenity
专题命中 Agent评测 ：agentic(abstract)；分类 cs.LG
AI总结 研究通过LODO评估揭示了现有方法在真实分布偏移下的局限性，并展示了SAE特征在提升分类器解释性方面的潜力。
Comments v2: extended version of the AIWILD @ ICLR 2026 workshop paper; adds multi-model replication and additional analyses
Li-ViP3D++：基于查询的可变形相机-激光雷达融合用于端到端感知与轨迹预测
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Slovak University of Technology（斯洛伐克技术大学） ； Halmstad University（哈马比大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 Li-ViP3D++通过引入查询门控可变形融合技术，实现了端到端感知与轨迹预测，提升了自动驾驶系统的鲁棒性和效率。
Comments Published in IEEE Access. The version of record is available at DOI: 10.1109/ACCESS.2026.3709080
Journal ref IEEE Access, vol. 14, pp. 102999-103012, 2026
分段线性奖励的遗憾最小化：合同、拍卖及其他
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 研究在相关模型参数未知且由概率分布确定时，如何优化未知随机分段线性奖励函数。提出通用在线学习框架，设计算法达\(\widetilde{O}(\sqrt{nT})\)遗憾值，解决了微观经济学习文献中的两个开放问题。
SKooP：用于强化学习的更快、更通用的有腿机器人运动的对称库普曼预测
机构 * Italian Institute of Technology (IIT)（意大利理工学院） ； University of Manchester（曼彻斯特大学） ； Dynamic Legged Systems Laboratory, IIT（意大利理工学院动态腿式系统实验室） ； Generative Bionics S.R.L（生成仿生学有限公司） ； DAUIN, Politecnico di Torino（都灵理工大学DAUIN） ； Rehab Technologies Lab, IIT（意大利理工学院康复技术实验室） ； Newcastle University（纽卡斯尔大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 研究针对强化学习样本效率低问题展开，提出SKooP方法，结合形态对称与库普曼模型优势，在学习策略时学习系统动力学模型，将其预测用于评论家，还纳入群对称，验证了该方法能减少收敛时间并增加学习奖励，且策略可转移。
Comments This paper has been accepted for publication at the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Pittsburgh, USA, 2026
推理计算如何塑造前沿LLM评估
机构 * UK AI Security Institute（英国人工智能安全研究所）
专题命中 Agent评测 ：tool use(abstract)；分类 cs.AI
AI总结 通过控制推理计算量（如token预算、上下文压缩和重复提交）评估12个前沿语言模型，发现更大计算量显著提升性能，固定预算评估低估模型能力，且不同基准对推理扩展方法敏感。
Comments 34 pages, 4 figures
主观函数
机构 * Harvard University（哈佛大学） ； Department of Psychology（心理学系） ； Center for Brain Science（脑科学中心） ； Kempner Institute for the Study of Natural and Artificial Intelligence（自然与人工智能研究学院）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文探讨了主观函数的概念，通过预期预测误差作为例子，提出了一种赋予人工系统自主设定目标能力的方法，连接了心理学、神经科学和机器学习。
SafeOR-Gym：用于实际运筹学问题的安全强化学习算法的基准套件
机构 * Davidson School of Chemical Engineering, Purdue University（普渡大学化学工程学院） ； Energy Sciences, ExxonMobil Technology and Engineering Company（埃克森美孚技术与工程公司能源科学部）
专题命中 Agent评测 ：planning(abstract)；分类 cs.LG
AI总结 针对现有安全强化学习基准与高风险领域相关性有限的问题，提出SafeOR-Gym基准套件，含九个运筹学环境，集成CMDP接口，评估多种算法，揭示性能差异，为安全强化学习研究提供实用测试平台。
A-IC3：用于硬件模型检查的学习引导自适应归纳泛化
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 针对IC3算法在硬件模型检查中归纳泛化策略固定的问题，提出基于机器学习的轻量级框架，利用多臂赌博机算法动态选择策略，经实验验证该方法能有效提升rIC3解决案例数量及PAR-2分数。
具有反事实可控性的自主视频生成用于自进化世界模型
机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 本文提出反事实可控性是自进化世界模型的关键，通过自主视频生成实现可控性，使模型能测试动作后果并反馈改进生成。
Comments 10 pages, 1 figure
进化强化学习中神经策略与编程策略的生存动态
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 研究进化强化学习中神经策略与编程策略的生存动态，通过开源重新实现经典测试平台并进行严格生存分析，发现编程策略在生存性能上超越神经策略，如PERL比NERL平均多存活201.69步。
Comments Remove the Acknowledgement
关于连续 K 最大多臂老虎机的次线性遗憾
机构 * Microsoft Research Asia（微软亚洲研究院） ； Institute for Interdisciplinary Information Sciences（交叉信息院） ； Tsinghua University（清华大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 研究连续K最大多臂老虎机问题，该问题在推荐等应用中出现，有离散化误差等困难。引入DCK - UCB算法，证明其实现了\(\widetilde{O}(T^{3/4})\)遗憾界，还针对特定情况提出MLE - Exp算法，为连续组合老虎机提供了算法解决方案。
视觉语言模型中的自我中心偏差
机构 * Cognitive Science Program, University of California, Berkeley（加州大学伯克利分校认知科学项目） ； Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； School of Computer Science, Georgia Institute of Technology & Emory University（佐治亚理工学院计算机科学学院及埃默里大学） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Department of Cognitive Science, University of California San Diego（加州大学圣地亚哥分校认知科学系） ； Equal Advising Department of Computer Science & Wilmer Eye Institute, Johns Hopkins University（约翰霍普金斯大学计算机科学系及威尔默眼科研究所） ； Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Weinberg Institute for Cognitive Science, University of Michigan（密歇根大学韦恩伯格认知科学研究所）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文提出FlipSet基准，揭示视觉语言模型在第二级视觉视角推理中存在系统性自我中心偏差，表明模型在整合社会认知与空间操作方面存在根本性不足。
Comments Accepted at CogSci 2026 (Best Undergraduate Student Paper)
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