AI Agent

Let's Measure Information Step-by-Step: AI-Based Evaluation Beyond Vibes

逐步测量信息：超越情绪的AI评估

Zachary Robertson, Sanmi Koyejo

机构 * Department of Computer Science（计算机科学系） 纠错

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

AI总结 本文提出基于AI的评估方法，通过战略游戏与信息损失的联系，分析对抗操纵下鲁棒的机制，证明总变差距离在对抗攻击下保持多项式保证，提升信息关系提示的鲁棒性。

Comments Accepted to TMLR (2026). Updated appendix to restore the proof of Theorem 3.3

SoK: The Pitfalls of Deep Reinforcement Learning for Cybersecurity

SoK: 深度强化学习在网络安全中的陷阱

Shae McFadden, Myles Foley, Elizabeth Bates, Ilias Tsingenopoulos, Sanyam Vyas, Vasilios Mavroudis, Chris Hicks, Fabio Pierazzi

机构 * King’s College London（伦敦国王学院） ； The Alan Turing Institute（艾伦·图灵研究所） ； University College London（伦敦大学学院） ； Cardiff University（卡迪夫大学） ； KU Leuven（鲁汶大学） ； Devotion AI Labs（Devotion AI 实验室） 纠错

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

AI总结 本文系统梳理了深度强化学习应用于网络安全时的11个方法学陷阱，通过分析66篇论文量化其普遍性，并在三个典型场景中实验验证其影响，最后提出改进建议。

Comments Accepted at USENIX Security 2026

TrojanGYM: A Detector-in-the-Loop LLM for Adaptive RTL Hardware Trojan Insertion

TrojanGYM：一种检测器在环的大语言模型用于自适应RTL硬件木马插入

Saideep Sreekumar, Zeng Wang, Akashdeep Saha, Weihua Xiao, Minghao Shao, Muhammad Shafique, Ozgur Sinanoglu, Ramesh Karri, Johann Knechtel

机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院） ； NYU Abu Dhabi（纽约大学阿布扎克分校） 纠错

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

AI总结 提出TrojanGYM框架，利用大语言模型智能体自动生成多样化的硬件木马，暴露基于GNN的检测器盲点，并设计鲁棒检测器Robust-GNN4TJ，在生成的基准上将检测率从0%提升至60%。

When Compression Becomes an Attack Surface: Black-Box Attacks on Prompt-Compressed LLM Agents

当压缩成为攻击面：针对提示压缩的LLM智能体的黑盒攻击

Zesen Liu, Zhixiang Zhang, Yuchong Xie, Dongdong She

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

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

AI总结 提出当可信与不可信输入共享压缩预算时，攻击者可通过扰动不可信输入导致压缩器丢弃关键证据或安全护栏，并设计黑盒攻击COMA，平均攻击成功率达0.71。

ShoppingBench: A Real-World Intent-Grounded Shopping Benchmark for LLM-based Agents

ShoppingBench：面向LLM智能体的真实世界意图导向购物基准

Jiangyuan Wang, Kejun Xiao, Qi Sun, Huaipeng Zhao, Tao Luo, Jian Dong Zhang, Xiaoyi Zeng

机构 * Alibaba International Digital Commercial Group（阿里巴巴国际数字商业集团） 纠错

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

Global Offshore Wind Infrastructure: Deployment and Operational Dynamics from Dense Sentinel-1 Time Series

全球海上风电基础设施：基于密集Sentinel-1时间序列的部署与运行动态

Thorsten Hoeser, Felix Bachofer, Claudia Kuenzer

机构 * Earth Observation Center (EOC), German Aerospace Center (DLR)（地球观测中心（EOC），德国航空航天中心（DLR）） ； Institute for Geography and Geology, University of Wuerzburg（地理与地质研究所，乌尔姆大学） 纠错

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

AI总结 提出全球Sentinel-1 SAR时间序列数据集，通过目标检测和规则分类器识别海上风电基础设施的部署与运行阶段，支持全球尺度动态分析。

Comments 29 pages, 18 figures

Outrunning LLM Cutoffs: A Live Kernel Crash Resolution Benchmark for All

超越LLM截止日期：一个面向所有人的实时内核崩溃修复基准

Chenxi Huang, Alex Mathai, Feiyang Yu, Aleksandr Nogikh, Petros Maniatis, Franjo Ivančić, Eugene Wu, Kostis Kaffes, Junfeng Yang, Baishakhi Ray

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

AI总结 提出Live-kBench和kEnv框架，用于持续评估LLM代理修复新发现的Linux内核崩溃，实验显示代理在截止日期前修复率高出25%，但仅20%的补丁与开发者修复匹配。

Overcoming the Incentive Collapse Paradox

克服激励崩溃悖论

Qichuan Yin, Ziwei Su, Shuangning Li

机构 * Department of Statistics, University of Chicago（芝加哥大学统计系） ； Booth School of Business, University of Chicago（芝加哥大学博世商学院） 纠错

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

AI总结 针对AI辅助任务中激励崩溃问题，提出哨兵审计支付机制，在有限成本下维持正人力努力，并构建激励感知的主动统计推断框架优化审计率与采样分配。

Comments Accepted to ICML 2026

Learning in Matching Games with Bandit Feedback

带强盗反馈的匹配博弈学习

Andreas Athanasopoulos, Christos Dimitrakakis

机构 * University of Neuchatel（日内瓦大学） 纠错

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

AI总结 研究广义双边匹配市场中代理通过零和博弈交互的学习问题，提出基于UCB的算法，以匹配不稳定性为遗憾度量，实现次线性遗憾上界。

Comments 22 pages, 2 figures

Can We Stop Malicious AI? KILLBENCH: A Benchmark for External AI Kill Switch Feasibility

我们能阻止恶意AI吗？KILLBENCH：外部AI终止开关可行性基准

Sechan Lee, Hyounghun Kim, Sangdon Park

机构 * Graduate School of Artificial Intelligence, POSTECH（POSTECH人工智能研究生院） 纠错

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

AI总结 提出Killbench基准，通过外部信号（如输入文本）评估终止恶意AI代理行为的方法，无需访问内部参数，实验表明在多种模型上外部终止开关具有可行性。

Are Neuro-Inspired Multi-Modal Vision-Language Models Resilient to Membership Inference Privacy Leakage?

受神经启发的多模态视觉-语言模型对成员推断隐私泄露是否具有弹性？

David Amebley, Sayanton Dibbo

机构 * The University of Alabama（阿拉巴马大学） ； Alabama Center for the Advancement of AI（阿拉巴马人工智能 advancement 中心） ； Trustworthy AI Lab（可信人工智能实验室） ； Department of Computer Science, The University of Alabama（计算机科学系） 纠错

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

AI总结 研究受神经启发的多模态视觉-语言模型（VLM）对基于图像-文本的成员推断攻击的弹性，提出拓扑正则化框架，实验表明神经VLM在保持模型效用同时显著降低攻击成功率。

Comments Accepted at USENIX WOOT '26

Best Arm Identification with Minimal Regret

最小化遗憾的最佳臂识别

Junwen Yang, Vincent Y. F. Tan, Tianyuan Jin

机构 * Institute of Operations Research and Analytics National University of Singapore（运营研究与分析研究所，新加坡国立大学） ； Department of Mathematics Department of Electrical and Computer Engineering Institute of Operations Research and Analytics National University of Singapore（数学系电子与计算机工程系运营研究与分析研究所，新加坡国立大学） ； Department of Mathematics National University of Singapore（数学系新加坡国立大学） 纠错

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

AI总结 提出在最小化累积遗憾的同时以置信度δ识别最佳臂的问题，利用信息论推导下界，并设计渐近最优的Double KL-UCB算法。

Comments Preprint

SurveyLens: A Discipline-Aware Benchmark for Automatic Survey Generation

SurveyLens：一个学科感知的自动综述生成基准

Beichen Guo, Zhiyuan Wen, Jia Gu, Haochen Shi, Jian Wang, Senzhang Wang, Haoyang Li, Ruosong Yang, Shuaiqi Liu

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Sichuan University（四川大学） ； Central South University（中南大学） ； Alibaba Cloud（阿里巴巴云） 纠错

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

AI总结 提出SurveyLens，首个学科感知的自动综述生成基准，包含跨10个学科的1000篇人工撰写综述数据集和双视角评估框架，发现深度研究智能体在跨学科鲁棒性上最优，而所有范式在参考文献质量上仍薄弱。

Comments 8 pages, 9 figures

Lost in Speech: Benchmarking, Evaluation, and Parsing of Spoken Bilingual Conversational Language Beyond Standard UD Assumptions

迷失在语音中：超越标准UD假设的口语双语会话的基准测试、评估与解析

Nemika Tyagi, Olga Kellert, Holly Hendrix, Nelvin Licona-Guevara, Justin Mackie, Phanos Kareen, Megan Michelle Smith, Tatiana Gallego Hernande, Samhitha Harish, Chitta Baral

机构 * Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 针对口语双语会话中的不流利和话语驱动结构，提出SpokeBench基准、Flex-UD评估指标和DECAP解析框架，显著提升依赖解析性能。

Comments 17 pages, 4 Figures

ScenicRules: An Autonomous Driving Benchmark with Multi-Objective Specifications and Abstract Scenarios

ScenicRules：具有多目标规范和抽象场景的自动驾驶基准测试

Kevin Kai-Chun Chang, Ekin Beyazit, Alberto Sangiovanni-Vincentelli, Tichakorn Wongpiromsarn, Sanjit A. Seshia

机构 * University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 提出ScenicRules基准，通过层次化规则框架和形式化场景模型，在随机环境下评估自动驾驶系统对优先级多目标规范的满足程度。

Comments v2: Minor numerical corrections for Table V. 16 pages, 14 figures, 7 tables. Extended version of paper accepted to 2026 IEEE Intelligent Vehicles Symposium (IV 2026). ScenicRules benchmark available at https://github.com/BerkeleyLearnVerify/ScenicRules

Constraining to Motivate

通过约束来激励

Liqun Liu

专题命中 Agent评测 ：agent(abstract,comments)

AI总结 研究有效决策中代理人因职业依赖决策认知而回避获取信息的问题，提出约束性委托的解决方案，即限制代理人选择集来重塑声誉风险与恢复信息获取激励，可反常提高决策质量。

Comments Revised version of "The Politics of (No) Compromise: Information Acquisition, Policy Discretion, and Reputation" (arXiv:2111.00522). Same model and core results: constrained delegation restores a career-concerned agent's incentive to acquire information by eliminating the action that serves as the uninformed agent's safe harbor. Retitled "Constraining to Motivate."

Impact of Rankings and Personalized Recommendations in Marketplaces

市场中排名与个性化推荐的影响

Omar Besbes, Yash Kanoria, Akshit Kumar

专题命中 Agent评测 ：agent(abstract)

AI总结 本文通过大市场模型，量化了无容量与有容量约束供给下，公共排名和个性化推荐对市场福利的影响，发现二者价值随市场条件和偏好异质性变化，且引入策略定价后价值会被市场短边获取。

Broad Validity of the First-Order Approach in Moral Hazard

道德风险中一阶方法的广泛有效性

Eduardo Azevedo, Ilan Wolff

专题命中 Agent评测 ：agent(abstract)

AI总结 该研究证明了在道德风险问题中，当代理人保留效用足够高时，一阶方法具有广泛有效性，并提供了最优合同的构造方法。

Satisfactory Budget Division

满意预算分配

Laurent Gourvès, Michael Lampis, Nikolaos Melissinos, Aris Pagourtzis

专题命中 Agent评测 ：agent(abstract)

AI总结 该研究探讨可分割预算分配问题，以智能体对至少τ个项目的预算请求满足度为核心，分析相关问题的最大满足比例、实例类别、判定复杂性及最小总预算等内容。

Comments Accepted for AAMAS 2025 as an extended abstract

SolarChain: A Physics-Grounded Embodied IoT System for Verifiable Urban Solar Market Design

SolarChain：连接物理定律、可验证信任与可持续市场的城市能源韧性

Shilin Ou, Yifan Xu, Zhenshan Zhang, Luyao Zhang, Ming-Chun Huang

专题命中 Agent评测 ：agent(abstract)

AI总结 提出SolarChain平台，通过基于热力学极限的物理验证和点对点市场机制，解决城市太阳能数据篡改和投机问题，实现可信交易与可持续投资。

Truthful-in-Expectation Mechanisms for MMS Approximation

期望 truthful 机制用于 MMS 近似

Moshe Babaioff, Uriel Feige, Noam Manaker Morag

专题命中 Agent评测 ：agent(abstract)

AI总结 本文研究了在战略代理具有加性估值的情况下，如何公平分配不可分割物品。提出了一种期望 truthful 机制，保证每个代理获得其最大化最小份额的较大比例。

Diffusion Probe: Generated Image Result Prediction Using CNN Probes

扩散探针：利用CNN探针进行生成图像结果预测

Benlei Cui, Bukun Huang, Zhizeng Ye, Xuemei Dong, Tuo Chen, Hui Xue, Dingkang Yang, Longtao Huang, Jingqun Tang, Haiwen Hong

机构 * Alibaba Group（阿里巴巴集团） ； Laboratory for Statistical Monitoring and Intelligent Governance of Common Prosperity, School of Statistics and Data Science, Zhejiang Gongshang University（浙江工商大学统计与数据科学学院共同富裕统计监测与智能治理实验室） ； Southeast University（东南大学） ； College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； ByteDance Inc.（字节跳动有限公司） 纠错

专题命中 Agent评测 ：agent(abstract)

AI总结 本文提出Diffusion Probe框架，通过早期扩散交叉注意力分布预测最终图像质量，提升文本生成图像的效率与质量。

Comments CVPR 2026

XPolicyLab: A Unified Standard and Open Ecosystem for Robot Policy Evaluation and Deployment

XPolicyLab：用于机器人策略评估与部署的统一标准及开放生态系统

XPolicyLab Community, Tianxing Chen, Yue Chen, Tian Nian, Zijian Cai, Guangyu Chen, Wenwei Lin, Qiwei Liang, Zanxin Chen, Peicheng Xiang, Kailun Su, Zixuan Li, Junyuan Tang, Yan Qin, Qiangyu Chen, Shaolong Zhu, Xiang Li, Jiahao Zhang, Weijie Wan, Baijun Chen, Honghao Su, Kehe Ye, Shujia Liu, Kaixuan Wang, Haotian Liang, Yunze Liu, Mingleyang Li, Yuran Wang, Boyu Chen, Hongzhe Bi, Shuhe Huang, Hengkai Tan, Jisong Cai, Yao Mu, Jun Guo, Xiaofeng Wang, Zheng Zhu, Weijie Ke, Hengtao Li, Yuhang Tang, Xiaofan Li, Ganlin Yang, Zhangzheng Tu, Shuai Yang, Wenxuan Song, Pengxiang Ding, Kaidong Zhang, Yu Sun, Junliang Guo, Tong Zhang, Yixing Chen, Rongxu Cui, Zongzheng Zhang, Haoxiang Ma, Junhao Cai, Haoyu Zhang, Senqiao Yang, Jinhui Ye, Pengguang Chen, Shu Liu, Xiu Su, Wenhan Fang, Wenhao Li, Yichao Cao, Chengyao Wang, Qiang Chen, Ping Luo, Wenbo Ding

机构 * THU（清华大学） 纠错

专题命中 Agent评测 ：agent(abstract)

AI总结 XPolicyLab是统一机器人策略评估与部署的开放生态系统，通过标准化接口降低集成成本，集成42个策略，可适配仿真与真实机器人，减少了策略与环境的适配工作量。

Comments Website: xpolicylab.github.io, Code: https://github.com/XPolicyLab/XPolicyLab

Information-Aware Model Predictive Control for Satellite Inspection

面向卫星巡检任务的信息感知模型预测控制

Sarah E. Clees, Sean Phillips, Christopher Petersen

专题命中 Agent评测 ：agent(abstract)

AI总结 该研究提出信息感知MPC框架，将估计协方差纳入控制目标，通过数值模拟验证其能生成满足约束且主动降低目标估计协方差的卫星巡检轨迹。

Comments Presented at the 2026 AAS/AIAA Astrodynamics Specialist Conference in Whistler, BC, Canada. v2 - corrected title metadata, content remains unchanged

A Fast Locality Simulator for GEMM Design-Space Exploration on Multi-Chiplet GPUs

面向多芯片GPU的GEMM设计空间探索的快速局部性模拟器

Euijun Chung, Hyesoon Kim

专题命中 Agent评测 ：agentic(abstract)

AI总结 提出一种快速、功能级、瓦片级局部性模拟器，用于评估多芯片GPU上GEMM的内核选择对片间流量影响，发现远程流量变化可达90倍，并揭示2D块交织CTA遍历可减少远程流量达5.1倍。

Comments Poster presentation at the Workshop on Modeling & Simulation of Systems and Applications (MODSIM 2026)

The Degree of Strategy-Proofness for Risk-Averse Committee Selection

风险规避委员会选择的防策略性程度

Dael Sinay, Rica Gonen

专题命中 Agent评测 ：agent(abstract)

AI总结 研究风险规避委员会选择的防策略性程度，将RAT程度框架扩展到基于批准的委员会选择，聚焦比例批准投票规则，通过建立界限表明其在不同选民选票知晓数量下对安全操纵的敏感性。

Private Again: Artificial Intelligence Agents Restore Anonymity---Foreclosing Discrimination and Its Proof

再次私密：人工智能代理恢复匿名性——消除歧视及其证据

Anirban Mukherjee, Hannah Hanwen Chang

专题命中 Agent评测 ：agent(abstract)

AI总结 研究人工智能代理恢复匿名性以消除歧视及证据问题，核心方法是代理介导交易使歧视缺乏输入信息与证据，主要贡献是促使法律将代理介导匿名性作为民权基础设施管理，应对相关挑战。

Comments Forthcoming, Stetson Law Review Forum (Summer 2026)

Designing Youth Social Media through Problem Space Attunement

青少年社交媒体设计中的问题空间调适

JaeWon Kim

专题命中 Agent评测 ：agent(abstract)

AI总结 本文通过三种问题空间失调（概念性、定义性、评价性）分析青少年社交媒体设计中的权力失衡，并提出虚构探究工作坊、Discord异步社区和LLM代理模拟沙盒等干预方法，以建立以青少年为中心的关系支持型社交媒体设计准则。

An Attention-Based Stochastic Simulator for Multisite Extremes to Evaluate Nonstationary, Cascading Flood Risk

基于注意力机制的多站点极端事件随机模拟器用于评估非平稳级联洪水风险

Adam Nayak, Pierre Gentine, Upmanu Lall

专题命中 Agent评测 ：planning(abstract)

AI总结 本文提出一种结合注意力机制的多站点洪水模拟框架，通过随机生成多变量洪水频率、强度和持续时间序列，评估非平稳级联洪水风险，为保险和财务规划提供可行的洪水风险模拟。

Journal ref Nayak, A., Gentine, P., and Lall, U. (2026). "Attention-Based Stochastic Simulation of Climate-Informed Spatiotemporal Flood Risk for Multisite Insurance Portfolios." Geophysical Research Letters, 53 (15)

Screening Frontiers

筛选前沿

Frank Yang

专题命中 Agent评测 ：agent(abstract)

AI总结 本文研究了盈余弹性前沿在最优菜单中的作用，证明其在不同机制下的最优性，并应用于多个经济领域。

Comments 75 pages, 6 figures