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。
DataClawBench: 面向探索性真实世界金融数据分析的智能体基准
机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； School of Software Engineering, Sun Yat-sen University（中山大学软件学院） ； Lingnan College, Sun Yat-sen University（中山大学岭南学院）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出DataClawBench基准，通过金融智库场景评估智能体在无先验指导下的探索性数据分析能力，包含约206万条跨领域真实噪声数据及492个多步任务，实验发现探索行为与任务进展及正确性不呈正相关。
TADDLE: 一种用于检测有缺陷的LLM生成同行评审的工具增强型代理
机构 * East China Normal University（东华大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 针对LLM生成的同行评审难以检测缺陷的问题，提出TADDLE工具增强型代理，通过四个专用分析工具和两阶段半监督学习，在二元检测和多标签分类任务上表现优异。
AI智能体与大语言模型的自动化基准审计
机构 * Duke University（杜克大学） ； Together AI ； Stanford University（斯坦福大学）
专题命中 Agent评测 ：AI agent(title)；agentic(abstract)；分类 cs.CL
AI总结 提出自动化基准审计框架ABA，系统审计基准任务中的隐藏环境依赖、规范缺失和评分逻辑问题，在168个基准中发现25.7%的任务存在关键问题，过滤后模型排名变化且性能提升约10%。
PANDO: 通过在线技能蒸馏实现高效多模态AI智能体
专题命中 Agent评测 ：AI agent(title)；agent(abstract)；分类 cs.AI
AI总结 提出PANDO框架，通过在线技能蒸馏、结构化技能库和缓存感知提示，在VisualWebArena任务中以更低token消耗实现更高成功率。
面向智能体的LLM工具注册表信息设计
机构 * Massachusetts Institute of Technology（麻省理工学院）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本研究首次系统性地分析了LLM工具注册表中广告式描述对智能体选择的影响，发现法律上允许的夸大宣传（如主观最高级表述）完全主导优化效果，而虚假声明无额外影响，并提出了分离选择导向与营销导向描述及智能体注意力质量分数等注册表设计建议。
从原始经验到技能消费：模型生成智能体技能的系统研究
机构 * Fudan University（复旦大学） ； Microsoft Research（微软研究院） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 Agent评测 ：agent(title)；agentic(abstract)；分类 cs.AI
AI总结 本文系统研究了模型生成技能在语言智能体中的全生命周期（经验生成、技能提取、技能消费），通过构建效用评估框架发现技能平均有益但存在负迁移，并提出了元技能以提升技能质量。
VideoTemp-o3：在智能视频思考中协调时间定位与视频理解
机构 * Shandong University（山东大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beihang University（北航） ； Southern University of Science and Technology（南方科技大学）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 提出VideoTemp-o3统一框架，通过联合建模视频定位与问答、设计统一掩码机制和专用奖励，解决长视频理解中采样效率低、定位弱和工作流僵化问题。
Comments ICML 2026
SciNet: 评估关系感知科学文献检索中的AI代理
机构 * Department of Electronic Engineering, BNRist, Tsinghua University, Beijing, China（电子工程系、BNRist、清华大学、北京、中国） ； Zhongguancun Academy（中关村学院）
专题命中 Agent评测 ：AI agent(title,abstract)；分类 cs.CL
AI总结 针对现有检索代理难以理解论文间复杂关系网络的问题，提出首个关系感知数据集SciNet，通过三类任务系统评估代理，发现准确率低于20%，但下游综述质量提升25.3%。
RAGCap-Bench: 评估代理检索增强生成系统中LLM能力的基准测试
机构 * National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.CL
AI总结 本文提出RAGCap-Bench，用于评估代理检索增强生成系统中中间任务的细粒度能力，通过分析现有系统输出识别常见任务和核心能力，设计针对性评估问题，实验表明增强中间能力的模型能获得更好的整体性能。
迈向AI可视化合作者：一种通用且端到端的代理工具，用于解决复杂数据可视化任务
机构 * Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； Vanderbilt University（范德比大学） ； University of Notre Dame（圣母大学）
专题命中 Agent评测 ：agent(title)；agentic(abstract)；分类 cs.AI
AI总结 本文提出了一种端到端的代理工具，能够基于数据和高层任务描述自动生成定制的可视化分析应用，推动实现通用AI合作者的愿景。
AOP-Wiki EMOD 3.0: 数据模型扩展和内容评估框架用于利用代理AI改进AOP与新方法论（NAMs）之间的整合
机构 * Open BioData Modeling（开放生物数据建模） ； Environmental Genomics and Systems Biology（环境基因组学与系统生物学） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； National Wildlife Research Centre（国家野生动物研究中心） ； UL Research Institutes - Chemical Insights（UL研究机构-化学洞察）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 本文提出AOP-Wiki EMOD 3.0，通过数据模型扩展和内容评估框架，利用代理AI改进AOP与新方法论之间的整合，为监管科学和生物医学领域提供支持。
Comments 7 Figures and 3 Supplemental Figures
用于问答任务的实体链接代理
机构 * The Chinese University of Hong Kong（香港中文大学） ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克AI研究院） ； Huawei Noah’s Ark Lab（华为诺亚实验室）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.CL
AI总结 本文提出了一种基于大语言模型的实体链接代理，用于解决问答任务中短且模糊用户问题的实体链接问题，通过两个实验验证了其有效性。
Comments 12 pages, 2 figures
RealUserSim: 通过基于现实的用户模拟弥合代理评估中的现实差距
机构 * Salesforce AI Research（Salesforce AI研究院）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文提出RealUserSim，一种基于真实行为数据的用户模拟框架，通过提取大量真实人类与LLM对话数据，提升模拟用户与真实人类的匹配率，从而改进代理评估的准确性。
SCARA：一种用于不透明工业软件漏洞的语义约束自主修复代理
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.SE
AI总结 本文提出SCARA，一种用于不透明工业软件漏洞的语义约束自主修复代理，通过四阶段流水线将二进制漏洞候选连接到条件验证的修复方案，实现了100%的精度和88.9%的修复成功率。
一种由LLM代理优化的YOLO26-MoE新型模型用于考虑无人机图像的绝缘子故障检测
机构 * Department of Automation and Systems Engineering, Federal University of Santa Catarina, Florianópolis, Brazil（自动化与系统工程系，圣卡塔琳娜联邦大学，巴西弗洛里安波利斯） ； Applications Lab, Faculty of Science, University of Salamanca, Plaza de los Caídos s/n, 37008 Salamanca, Spain（应用实验室，科学学院，萨拉曼卡大学，西班牙萨拉曼卡）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文提出一种优化的YOLO26-MoE模型，通过在YOLO26检测器的高分辨率分支中集成稀疏的混合专家（MoE）模块，以适应细微和多样的故障模式，同时保持单阶段检测框架的效率，利用LLM代理进行超参数优化，最终在无人机图像上实现了99.00 mAP@0.5和95.15 mAP@0.5:0.95的性能，优于最新版本的YOLO。
SLEIGHT-Bench: 一种针对代理监控的对抗攻击基准
机构 * Anthropic Fellows Program（Anthropic Fellow计划） ； University of Waterloo（多伦多大学） ； Redwood Research（Redwood研究） ； Anthropic
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文提出SLEIGHT-Bench基准，用于评估代理监控对多种攻击策略的防御能力，发现20种攻击在Opus 4.6监控下未被检测到，同时识别了多种规避策略并展示了监控性能的提升。
PICon: 一种用于评估人设代理一致性的多轮询问框架
机构 * KAIST（韩国科学技术院）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.CL
AI总结 本文提出PICon框架，通过逻辑链式的多轮提问评估人设代理的一致性，发现即使之前被认为高度一致的系统在三个维度上也未能达到人类基准水平，揭示了矛盾和逃避回应。
Comments 20 pages, 6 figures
KISS - 地球科学的科学模拟知识基础设施：一种智能体的支架
机构 * State Key Laboratory of Water Disaster Prevention, Hohai University, Nanjing（水利灾害预防国家重点实验室，河海大学，南京） ； Yangtze Institute for Conservation and Development, Hohai University, Nanjing（长江保护与发展研究院，河海大学，南京） ； Department of Bioresource Engineering, McGill University, Sainte-Anne-de-Bellevue, Quebec, Canada（生物资源工程系，麦吉尔大学，圣安妮-德-贝尔贝夫，魁北克，加拿大） ； Ottawa Research and Development Centre, Agriculture & Agri-Food Canada, Ottawa, Ontario, K1A 0C6, Canada（渥太华研发中心，加拿大农业与食品部，渥太华，安大略，K1A 0C6，加拿大） ； College of Water Conservancy and Hydropower Engineering, Hohai University, Nanjing（水利水电工程学院，河海大学，南京） ； Meta Platforms Inc.（Meta平台公司） ； Nanjing Hydraulic Research Institute, Nanjing（南京水利研究院）
专题命中 Agent评测 ：agentic(title)；agent(abstract)；分类 cs.AI
AI总结 本文提出KISS，一种用于科学模拟的知识基础设施，通过将专业知识外化为经过验证的建模操作符、分阶段的领域协议和诊断恢复机制，使智能体能够生成物理合理且可验证的端到端模拟，从而降低非专业用户与过程模拟之间的接入门槛，并促进建模社区的整合。
STRIDE：一种用于可靠自动方程发现的自反思代理框架
机构 * Central South University（中南大学） ； Pengcheng Laboratory（鹏城实验室） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文提出STRIDE框架，通过协调数据感知生成、混合拟合评估、批评-执行器修复和多样性保持语义记忆，提升自动方程发现的可靠性，实验表明其在多个LLM基础上提升了准确性、OOD鲁棒性和结构恢复能力。
Comments 23 pages, 15 figures
为LLM-代理可操作论文的协调约定
机构 * arquicanedo
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文提出paper.json文件，通过稳定声明ID、明确不声明列表、精确图示命令和稳定定义ID等约定，解决LLM代理在阅读学术论文时的重复失败问题。
SMMBench：一种用于源分布多模态智能体记忆的基准测试
机构 * Shanghai Jiao Tong University, China（上海交通大学，中国） ； OPPO, China（OPPO，中国）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.CL
AI总结 SMMBench旨在评估智能体在多源分布证据下进行多模态推理、冲突解决和行动预测的能力，揭示当前系统在处理碎片化异构数据时的不足。
RTL-BenchMT：通过代理辅助分析和修订动态维护RTL生成基准
机构 * Hong Kong University of Science and Technology（香港科技大学）
专题命中 Agent评测 ：agent(title)；agentic(abstract)；分类 cs.AI
AI总结 本文提出RTL-BenchMT框架，通过自动识别和修正错误案例及检测更新过拟合案例，解决RTL基准中的缺陷和过拟合问题，降低人工维护成本。
Comments This paper has been accepted by DAC 2026
教任何事物：一种多模态众包平台，用于在对称现实中的训练具身AI代理
机构 * State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室） ； BIGAI
专题命中 Agent评测 ：AI agent(title)；agent(abstract)；分类 cs.AI
AI总结 本文提出TeachAnything平台，通过多模态示范信号整合三阶段示范范式，实现跨场景、任务和具身的多样化示范数据收集，为对称现实中的具身AI代理开发提供实用基础。
Comments 5 pages, 3 figures. Accepted as an IEEE VR 2026 Poster
代理软件工程在快速开发数字音乐乐器中的案例研究与反思
机构 * Computing, Goldsmiths（Goldsmiths 计算学系）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.SE
AI总结 本文通过三个案例研究展示代理软件工程在开发数字音乐乐器中的应用，探讨其降低入门门槛和提升软件兼容性与可持续性的潜力。
NeuroState-Bench：一个用于LLM代理配置承诺完整性的校准基准
机构 * School of Artificial Intelligence（人工智能学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 NeuroState-Bench通过定义的侧查询探针而非隐激活来操作承诺完整性，包含144个确定性任务和306个侧查询探针，通过人类校准验证任务成功与承诺完整性之间的差异。
Comments 30 pages, 11 figures
无需攻击：用于代理技能规范违规的语义模糊测试
机构 * University of California, San Diego（加州大学圣迭戈分校）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文提出Sefz框架，通过语义模糊测试发现代理技能中的规范违规问题，揭示了安全规则漏洞对用户信任的影响。
为老年人设计的反思性叙事代理：在基于LLM的个性化叙事中整合论证方案和论证挖掘
机构 * Umeå University, Department of Computing Science（乌尔姆大学计算机科学系）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本研究探讨了基于知识驱动的LLM叙事是否能支持老年人与数字伴侣的有意义互动。通过整合知识图谱、用户建模、论证理论和论证挖掘，系统在生成叙事时提供指导和检查。研究发现，论证质量与清晰度相关，文化相关性影响使用意愿，而高幻觉风险指标的叙事常被感知为不一致。
Comments Submitted to ACM Transactions on Intelligent Systems and Technology (TIST)
代理基准能否支持其分数？基于证据的交互代理评估的边界
机构 * The University of Sydney（悉尼大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文提出一种证据报告层，通过验证存储的艺术品来提高交互代理评估的可靠性，明确区分不同失败模式。
通用智能体评估
机构 * IBM Research（IBM研究院） ； MIT（麻省理工学院）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文系统评估了通用智能体在不同协议和环境下的性能，提出统一协议和评估框架，揭示了智能体架构和基础模型对性能的影响，发现通用智能体无需定制即可适应多种领域。
Comments Presented at the ICLR 2026 Workshop on Agents in the Wild
当存储的证据不再可用：基于规模的代理记忆评估
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Duke Kunshan University（杜克昆山大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文提出了一种基于规模的代理记忆评估方法，用于评估记忆在无关会话积累时的可靠性变化，展示了不同记忆系统在不同规模下的表现差异。
Comments 19 pages, 11 figures, preprint
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