IBM

MATRA: Modeling the Attack Surface of Agentic AI Systems -- OpenClaw Case Study

MATRA：代理AI系统的攻击面建模——OpenClaw案例研究

Tim Van hamme, Thomas Vissers, Javier Carnerero-Cano, Mario Fritz, Emil C. Lupu, Lieven Desmet, Dinil Mon Divakaran

机构 * DistriNet, KU Leuven（DistriNet，根特大学） ； IBM Research（IBM研究院） ； CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全中心） ； Imperial College London（伦敦帝国理工学院） ； A*STAR Institute for Infocomm Research（A*STAR信息与通信研究机构） 纠错

AI总结 本文提出MATRA框架，用于评估代理AI系统中已知威胁转化为具体风险的机制，通过OpenClaw案例展示如何利用攻击树和安全控制降低风险。

Comments Accepted for presentation at the 5th International Workshop on Designing and Measuring Security in Systems with AI (DeMeSSAI 2026), co-located with the 11th IEEE European Symposium on Security and Privacy (EuroS&P 2026), Lisbon, Portugal, July 10, 2026

Hyperparameter Transfer for Dense Associative Memories

密集关联记忆的超参数转移

Roi Holtzman, Dmitry Krotov, Boris Hanin

机构 * Rudolf Peierls Centre for Theoretical Physics, University of Oxford, Oxford OX1 3PU, UK（鲁道夫·皮尔士理论物理中心，牛津大学，牛津 OX1 3PU, 英国） ； Dynamical Mind, IBM Research（动态思维，IBM研究） ； Princeton ORFE（普林斯顿ORFE） 纠错

AI总结 本文研究了密集关联记忆模型中超参数转移方法的开发，提出了从小型模型到大规模模型的超参数转移准则，并验证了理论与实证结果的一致性。

General Agent Evaluation

通用智能体评估

Elron Bandel, Asaf Yehudai, Lilach Eden, Yehoshua Sagron, Yotam Perlitz, Elad Venezian, Natalia Razinkov, Natan Ergas, Shlomit Shachor Ifergan, Segev Shlomov, Michal Jacovi, Leshem Choshen, Liat Ein-Dor, Yoav Katz, Michal Shmueli-Scheuer

机构 * IBM Research（IBM研究院） ； MIT（麻省理工学院） 纠错

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

Federated Concept-Based Models: Interpretable models with distributed supervision

联邦概念模型：具有分布式监督的可解释模型

Dario Fenoglio, Arianna Casanova, Francesco De Santis, Gabriele Dominici, Johannes Schneider, Pietro Barbiero, Giovanni De Felice, Marc Langheinrich, Martin Gjoreski

机构 * Università della Svizzera italiana（瑞士联邦理工学院） ； University of Liechtenstein（利亨斯坦大学） ； Politecnico di Torino（都灵理工大学） ； IBM Research Zurich（IBM 苏黎世研究实验室） 纠错

AI总结 本文提出联邦概念模型（F-CMs），在动态联邦学习环境中实现概念可解释性，通过聚合跨机构的概念信息并适应概念监督变化，提升模型准确性和可解释性。

Simulating Complex Multi-Turn Tool Calling Interactions in Stateless Execution Environments

在无状态执行环境中模拟复杂多轮工具调用交互

Maxwell Crouse, Ibrahim Abdelaziz, Kshitij Fadnis, Siva Sankalp Patel, Kinjal Basu, Chulaka Gunasekara, Sadhana Kumaravel, Asim Munawar, Pavan Kapanipathi

机构 * IBM Research AI（IBM人工智能研究院） 纠错

AI总结 本文提出DiGiT-TC方法，用于生成无状态环境下多轮工具调用对话，通过新颖的生成模式隐式表示工具调用，验证了在有状态问题设置中取得显著性能提升。

If Concept Bottlenecks are the Question, are Foundation Models the Answer?

如果概念瓶颈是问题，那么基础模型是答案吗？

Nicola Debole, Pietro Barbiero, Francesco Giannini, Andrea Passerini, Stefano Teso, Emanuele Marconato

机构 * DISI, University of Trento（特伦托大学DISI实验室） ； IBM Research Zurich（IBM瑞士苏黎世研究实验室） ； Faculty of Sciences, Scuola Normale Superiore（科学学院，正则大学） ； CIMeC, University of Trento（特伦托大学CIMeC实验室） 纠错

AI总结 本文研究了基础模型在概念瓶颈模型中的影响，发现其在不同任务中与专家标注存在差异，且概念准确性与质量不强相关。

Holmes: A Benchmark to Assess the Linguistic Competence of Language Models

Holmes：一个评估语言模型语言能力的基准

Andreas Waldis, Yotam Perlitz, Leshem Choshen, Yufang Hou, Iryna Gurevych

机构 * Ubiquitous Knowledge Processing Lab (UKP Lab)（通用知识处理实验室） ； Technical University of Darmstadt（达姆施塔特技术大学） ； Information Systems Research Lab（信息系统研究实验室） ； Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学） ； IBM Research AI（IBM AI研究部） ； MIT CSAIL（MIT CSAIL实验室） ； MIT-IBM Watson AI Lab（MIT-IBM沃森AI实验室） ； IBM Research Europe - Ireland（IBM欧洲爱尔兰研究部） 纠错

AI总结 Holmes基准通过分类器探测方法评估语言模型对语法、形态学等语言现象的理解，发现模型大小、架构和指令微调显著影响性能，提出FlashHolmes提升效率。

SmartEval: A Benchmark for Evaluating LLM-Generated Smart Contracts from Natural Language Specifications

SmartEval：一个评估从自然语言规范生成的LLM智能合约质量的基准

Abhinav Goel, Agostino Capponi, Alfio Gliozzo, Chaitya Shah

机构 * Columbia University（哥伦比亚大学） ； IBM T.J. Watson Research Center（IBM T.J. Watson研究院） 纠错

AI总结 SmartEval通过9000个生成合约与专家编写的真实实现，结合五维评估标准，验证LLM生成智能合约的质量，并发现逻辑遗漏、状态转换错误等典型故障模式，展示了生成合约在综合评分上比真实实现高出8.29分。

Mitigating Misalignment Contagion by Steering with Implicit Traits

通过隐含特征引导缓解对齐传染

Maria Chang, Ronny Luss, Miao Liu, Keerthiram Murugesan, Karthikeyan Ramamurthy, Djallel Bouneffouf

机构 * IBM Research Yorktown Heights（IBM研究院Yorktown Heights） 纠错

AI总结 研究探讨了多智能体交互中对齐传染问题，提出通过隐含特征引导技术维持模型初始亲社会行为，有效缓解因恶意引导导致的反社会倾向。

MCP-Cosmos: World Model-Augmented Agents for Complex Task Execution in MCP Environments

MCP-Cosmos：用于MCP环境复杂任务执行的世界模型增强型智能体

Giridhar Ganapavarapu, Dhaval Patel

机构 * IBM 纠错

AI总结 MCP-Cosmos融合世界模型与MCP框架，通过引入生成世界模型提升智能体在复杂任务中的执行能力，实验显示其在工具成功率和参数准确性等方面有显著提升。

DiagnosticIQ: A Benchmark for LLM-Based Industrial Maintenance Action Recommendation from Symbolic Rules

DiagnosticIQ: 一个用于基于符号规则的LLM工业维护行动推荐的基准

Devin Yasith De Silva, Dhaval Patel, Christodoulos Constantinides, Shuxin Lin, Nianjun Zhou, Paul J Adams, Sal Rosato, Nicolas Constantinides, Deborah L. McGuinness, Jayant Kalagnanam

机构 * IBM ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； Independent Contributor（独立贡献者） 纠错

AI总结 本文提出DiagnosticIQ基准，通过6690个专家验证的多选题评估LLM在将符号规则转化为维护步骤中的表现，发现LLM在规则到行动的转换中需要专业知识，且存在对扰动和条件反转的敏感性。

Comments 43 pages, 25 figures

Results and Retrospective Analysis of the CODS 2025 AssetOpsBench Challenge

2025年CODS资产操作挑战赛的结果与回顾分析

Dhaval Patel, Chathurangi Shyalika, Suryanarayana Reddy Yarrabothula, Ling Yue, Shuxin Lin, Nianjun Zhou, James Rayfield

机构 * IBM ； Artificial Intelligence Institute at University of South Carolina（南卡罗来纳大学人工智能学院） ； Steel Authority of India Limited（印度钢铁公司） ； Indian Institute of Technology, Bhilai（比哈尔理工学院） ； Rensselaer Polytechnic Institute（拉特格斯理工学院） 纠错

AI总结 本文回顾2025年CODS资产操作挑战赛，分析了评估指标、隐藏评估对结果的影响以及团队表现，揭示了评估奖励的行为及改进方向。

Comments 43 pages, 32 Figures

Hamiltonian Monte Carlo with Asymmetrical Momentum Distributions

具有不对称动量分布的哈密顿蒙特卡洛方法

Soumyadip Ghosh, Yingdong Lu, Tomasz Nowicki

机构 * IBM T.J. Watson Research Center（IBM T.J.沃森研究所以） 纠错

AI总结 本文提出改进的AD-HMC方法，通过打破自共轭性要求实现更弱条件下的几何收敛，适用于一般辅助分布。

What Time Is It? How Data Geometry Makes Time Conditioning Optional for Flow Matching

现在是什么时候？数据几何如何使流匹配的时间条件化成为可选的

Alec Helbling, Sebastian Gutierrez Hernandez, Benjamin Hoover, Duen Horng Chau, Parikshit Ram

机构 * Georgia Tech（佐治亚理工学院） ； IBM Research（IBM研究院） 纠错

AI总结 研究通过分析高维数据几何特性，证明时间盲流匹配模型在实践中表现优异，核心方法揭示了时间可直接从噪声观测中识别，主要贡献是证明时间盲训练的误差可忽略。