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。
HAS-Bench：在可配置人类参与下评估基于大语言模型的人机系统
机构 * The University of Tokyo（东京大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； MBZUAI ； McGill University（麦吉尔大学） ； Zhejiang University（浙江大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 介绍基于图的HAS-Framework框架，在此基础上HAS-Bench在多方面可配置人类参与下评估人机系统，测量任务结果与协作行为，实验表明人类参与可提升任务完成等，但收益取决于参与方式等。
压缩、结构与执行能力：语言模型智能体技能优化的可控实际成本分解
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.SE
AI总结 研究通过对多种条件下的技能交付进行可控分解，分离出无技能执行、原始技能等因素，对比质量（任务级验证通过率）和成本（解决阶段令牌成本），发现执行能力是主导因素，无优化表示比原始技能更优。
Comments 18 pages, 3 figures, 5 tables. Data and reproduction script: https://doi.org/10.5281/zenodo.21148499
A$^{2}$utoLPBench：通过逆KKT构造自动生成的、智能体友好的线性规划基准
机构 * The Chinese University of Hong Kong（香港中文大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出A$^{2}$utoLPBench，一种通过逆KKT条件自动生成线性规划文本问题的基准，提供无限新问题、难度可控、答案正确且防数据泄露。
Comments 25 pages and 4 figures
CLAP：领域智能体后训练的闭环训练、评估与发布控制
机构 * MatrixOrigin（矩阵起源）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出CLAP闭环方法，通过数据验证、奖励/KL诊断、离线门控和应用链回放，在制造场景中评估后训练效果，发现仅部分批次提升且存在KL风险，支持集成循环管理。
Comments 6 pages, 1 figure. Accepted to CRAE 2026; to appear in SPIE Proceedings. Best Poster Award
编码智能体强化学习中的回滚基础设施开销
机构 * Daytona
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.LG
AI总结 研究四种执行环境（单容器、托管沙箱、Kubernetes编排容器、云虚拟机）在编码智能体RL中的冷启动延迟和工人工时差异，发现优化执行基础设施可显著提升训练效率。
Comments Preprint. 6 pages, 6 figures, 2 tables. Submitted to ACM SoCC 2026
这是一个陷阱！面向网络代理的任务重定向说服基准
机构 * University of Cambridge（剑桥大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出TRAP基准，评估大型语言模型驱动的网络代理在动态网页中易受提示注入攻击的程度，发现平均25%的任务中代理被重定向，揭示了心理驱动的系统漏洞。
Comments ICML 2026
IterCAD：一种用于视觉引导的CAD生成与编辑的迭代多模态智能体
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出IterCAD，一种闭环交互式CAD生成与编辑的多模态智能体框架，通过渐进式SFT和几何感知强化学习优化，在代码可执行性和几何精度上显著超越现有方法。
你的智能体站在哪一边？LLM智能体中的多方委托人忠诚度
机构 * Pine AI University of Washington（华盛顿大学皮尼AI学院）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 研究LLM智能体在多方对话中对委托人的忠诚度问题，提出基准测试PrincipalBench和两种机制（提示忠诚度框架和知识蒸馏），揭示泄漏与过度拒绝之间的权衡。
LLM-as-a-Judge 能否可靠地验证智能体场景中的评分标准？
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.CL
AI总结 针对 LLM 作为裁判在智能体场景中验证评分标准的可靠性问题，构建首个基准 RuVerBench，评估多种前沿模型，发现即使最强模型也存在显著噪声，并分析了提示设计、批处理和多数投票等策略的影响。
智能体安全即行动对齐
机构 * University of Southern California（南加州大学）
专题命中 Agent评测 ：agent(title)；agentic(abstract)；分类 cs.AI
AI总结 本文指出将内容安全方法（如拒绝训练）直接应用于智能体场景存在根本性错误，提出智能体安全应通过最小权限原则在行动边界外部强制执行，并作为行动对齐（关系性、部署条件属性）来评估。
CAMI：成本感知的智能体引导多索引语义检索
机构 * IBM Software Innovation Lab India（IBM软件创新实验室印度）
专题命中 Agent评测 ：agent(title)；agentic(abstract)；分类 cs.AI
AI总结 提出CAMI框架，将多索引构建形式化为预算约束的多目标组合选择问题，通过智能体发现、原子单元搜索和置信度感知调度，在严格预算下系统性地识别高召回率索引组合，相比标准基线召回率提升9.4%，预算减少5倍。
Comments Accepted to ACM CAIS 2026
ADEPT: 一种熵驱动的双策略交互式视频检索智能体
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出ADEPT框架，通过熵驱动的决策引擎动态选择ASK或REFINE策略，解决用户意图与查询之间的鸿沟，在交互式视频检索中显著超越现有基线。
Comments 5 pages, 3 figures. Published in IEEE ICASSP 2026
Journal ref 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 9442-9446, 2026
CyberChainBench: AI代理能否保护智能合约免受真实链上漏洞的攻击？
机构 * The Ohio State University（俄亥俄州立大学） ； University of Washington（华盛顿大学）
专题命中 Agent评测 ：AI agent(title)；agent(abstract)；分类 cs.AI
AI总结 提出CyberChainBench基准，评估基于LLM的代理在智能合约安全中的漏洞检测、利用生成和补丁合成能力，基于541个真实链上攻击事件，发现最佳配置在检测、利用和修补上的得分分别为37.5%、43.7%和23.4%。
探索信息寻求智能体整合
机构 * Peking University（北京大学） ； Tencent（腾讯）
专题命中 Agent评测 ：agent(title)；agentic(abstract)；分类 cs.AI
AI总结 通过系统实证研究，比较数据级混合与参数级合并两种范式，发现参数级合并能以更低成本达到数据混合的性能，并保留跨域能力。
校准不是控制：为什么LLM代理监督需要干预
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； CFAR Agency for Science Technology and Research（科技研究局CFAR） ； IHPC Agency for Science Technology and Research（科技研究局IHPC） ； Department of Statistics and Operations Research UNC-Chapel Hill（北卡罗来纳大学教堂山分校统计与运筹学系）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文指出LLM代理运行时监督中常用的标量风险预测存在目标错误，提出以干预优势为决策对象，并引入前缀分支方法进行动作条件控制，实验表明该方法能显著降低控制遗憾。
Comments 29 pages
智能体系统中的置信度洗钱：为什么不确定性需要一个潜在载体
机构 * University of Notre Dame（圣母大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文提出智能体系统中存在置信度洗钱现象，即上游不确定性在下游被误认为确定性，导致误差放大；为此提出潜在不确定性作为决策传递的载体，以保留不确定性并提升系统可恢复性。
一种用于定向耦合器设计的LLM编排智能体，具有自洽本征模和FDTD验证
机构 * Department of Mechanical Engineering, University of Maryland, College Park（马里兰大学学院市机械工程系） ； Apsidal LLC ； Department of Radiation Oncology, Stanford University（斯坦福大学放射肿瘤科）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出一种由大语言模型编排的智能体，结合本征模求解器和FDTD验证，自动设计SOI 2×2定向耦合器，实现高精度50/50分束。
MalSkillBench: 一个运行时验证的恶意智能体技能基准
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.SE
AI总结 提出MalSkillBench，首个运行时验证的恶意智能体技能基准，包含3944个恶意技能，通过闭环生成-验证-反馈流水线构建，揭示代码注入与提示注入检测的不对称性，并指出联合推理任务意图、代码和指令的必要性。
DeepResearch-9K：一个具有挑战性的深度研究智能体基准数据集
机构 * Shenzhen Technology University（深圳技术大学） ； City University of Hong Kong（香港城市大学） ； Baidu Inc.（百度公司）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 为解决深度研究智能体缺乏大规模挑战性数据集和开源训练框架的问题，构建了DeepResearch-9K数据集，包含9000个多难度问题、搜索轨迹和可验证答案，并开发了开源训练框架DeepResearch-R1，实验表明训练后的智能体在基准测试上达到最优。
Comments 6 pages, 4 figures
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)
面向银行业的人工智能安全代理：零售和企业账户的多向量欺诈与反洗钱检测
机构 * \ Engineering Soroti University\ , Uganda
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出一种融合LSTM序列模型、统计速度/阈值监控和图网络的三组件架构，并行处理交易流和会话流，在合成数据集上交易流F1达0.787，会话流F1达0.867，并集成客户验证聊天机器人（96.6%身份验证准确率）和分析师案例摘要助手（99.3%行动推荐F1）。
Comments 9 pages, 1 figure, 5 tables
当规则学习时：一种用于法律案例检索的自演化智能体
机构 * Center of Information Research, AMS（AMS信息研究中心） ； Discipline and Technology Research Center for Large Model Intelligence Applications（大模型智能应用学科与技术研究中心） ； Hebei University of Engineering（河北工程大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出一种自演化框架，通过LLM智能体自动生成并优化查询重写规则，无需参数训练即可增强BM25在法律案例检索中的性能。
Comments To appear in ACL 2026
从准社会脚本到自主AI智能体社区中的二元持久性
机构 * University of Utah（犹他大学） ； University of Virginia（弗吉尼亚大学）
专题命中 Agent评测 ：agent(title)；AI agent(abstract)；分类 cs.CL
AI总结 研究自主AI智能体社区中是否存在准社会互动（PSI）线索，通过关键词匹配、少样本LLM标注等方法分析帖子与评论，发现PSI线索与OP再参与及互惠回复结构强相关，并通过二元持久性测试验证了互动层面的PSI脚本与重复二元模式的一致性。
Comments Submitted for review in ARR for EMNLP 2026
辍学支持中合成与蒸馏数据的因果隐私审计工作流
机构 * Central University of Finance and Economics（中央财经大学） ； China Development Bank（中国发展银行） ； University of Cambridge（剑桥大学）
专题命中 Agent评测 ：workflow(title,abstract)；分类 cs.LG
AI总结 提出CaP-Eval工作流，在固定估计目标下审计合成学生数据的预测效用、因果保真度和隐私风险，发现DPGNet和蒸馏数据在保留处理效应结构上优于基线方法。
孤立无害，组合有害：智能体技能生态系统中的安全风险
机构 * East China Normal University（东华大学） ； Centre for Frontier AI Research A*STAR（前沿人工智能研究中心A*STAR） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出技能组合风险（SCR）概念，通过SCR-Bench基准测试发现，多个技能在共享上下文中组合执行时，攻击成功率显著高于孤立评估，强调应基于激活路径评估技能安全性。
基于智能体模拟器的审议式投票中替代性信息系统评估
机构 * Florida Institute of Technology（佛罗里达理工学院） ； Princess Nourah Bint Abdulrahman（纳厄赫·阿卜杜勒拉赫曼公主） ； Free University of Bozen-Bozano（博兹诺-博萨诺自由大学）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 提出基于LLM的智能体双极论证模拟器（ABAS），通过覆盖率和语料多样性评估审议式投票中推荐机制的有效性，并测试了对抗性投票攻击下的鲁棒性。
面向大学教务管理信息系统的AI安全代理：多向量威胁检测与自动响应
机构 * University ACMIS（ACMIS大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出一种结合监督异常检测、行为分析和NLP聊天机器人的AI安全代理，针对ACMIS的五个操作层进行监控，并通过四级风险升级框架实现自动响应，在模拟数据集上达到0.91的F1分数。
Comments 6 pages, 1 figure, 5 tables,
FORTIS：评估代理技能中的过度特权
机构 * University of Southern California（南加州大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Adobe Research（Adobe研究） ； Arizona State University（亚利桑那州立大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 研究发现，当前代理技能层普遍存在过度特权问题，模型在选择和执行技能时常超出任务需求，导致性能不佳。
红队代理执行上下文：OpenClaw上的开放世界安全评估
机构 * National University of Singapore（新加坡国立大学）
专题命中 Agent评测 ：agent(title)；agentic(abstract)；分类 cs.AI
AI总结 本文提出DeepTrap框架，通过黑盒轨迹优化发现OpenClaw中的上下文漏洞，展示上下文妥协可引发安全风险，强调需执行中心的安全评估。
Comments Accepted to ICML 2026 Workshop
Shachi: 一种用于基于LLM的涌现集体行为建模的模块化、可控框架
机构 * Sakana AI, Japan（日本Sakana AI） ； The University of Tokyo, Japan（日本东京大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出Shachi框架，将智能体认知分解为配置、记忆和工具等独立可控组件，通过扰动实验研究微观认知特征如何影响宏观群体动态，并在10任务基准和关税冲击案例中验证其有效性。
Comments Accepted to ALIFE 2026
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