Qiskit QuantumKatas: Adapting Microsoft's Quantum Computing exercises for LLM evaluation
Qiskit QuantumKatas: 为LLM评估改编微软的量子计算练习
机构 * IBM Research（IBM研究院）
AI总结 本文将微软的QuantumKatas量子计算课程从Q#移植到Qiskit，并构建评估框架，用于系统评估大型语言模型在量子计算任务上的能力。
大厂专区
IBM
Lessons from Penetration Tests on Large-Scale Agent Systems
大规模智能体系统渗透测试的经验教训
机构 * IBM Research（IBM研究院）
AI总结 本文通过对2025年专有智能体产品的两次渗透测试，评估了AI智能体的安全态势是否有所改善，并指出许多安全漏洞并非全新，而是反映了先前计算系统中长期存在的重复性弱点类别。
Comments Accepted at SAGAI 2026
Beyond Final Answers: Auditing Trajectory-Level Hallucinations in Multi-Agent Industrial Workflows
超越最终答案：多智能体工业工作流中的轨迹级幻觉审计
机构 * IBM ； Columbia University（哥伦比亚大学）
AI总结 提出Trajel数据集和评估框架，通过五类幻觉分类法审计多智能体工业工作流中的轨迹级幻觉，发现现有基准忽略的常见失败模式，并证明轨迹感知检测优于标准事后验证。
JobBench: Aligning Agent Work With Human Will
JobBench：使智能体工作符合人类意愿
机构 * University of Washington（华盛顿大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Northwestern University（西北大学） ； University of Notre Dame（圣母大学） ； University of California, Berkeley（加州大学伯克利分校） ； Michigan State University（密歇根州立大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Bake AI ； King Abdulaziz City for Science and Technology（国王阿卜杜勒阿齐兹科技城） ； Western Washington University（西雅图华盛顿大学） ； University of Chicago（芝加哥大学）
AI总结 提出JobBench基准，通过专家识别的高优先级工作流程评估AI智能体，以人类需求为中心而非经济价值，覆盖35个职业的130个任务，使用事实锚定的评分链评估，最强模型仅达45.9%，旨在推动从替代到增强的劳动力市场影响。
Internalizing Tool Knowledge in Small Language Models via QLoRA Fine-Tuning
通过QLoRA微调将工具知识内化到小型语言模型中
机构 * Columbia School of General Studies, Columbia University, NY, USA（哥伦比亚大学泛研学院） ； Columbia Engineering, Columbia University, NY, USA（哥伦比亚大学工程学院） ； IBM Research, NY, USA（IBM研究院）
AI总结 本文研究通过QLoRA参数高效微调将工具知识内化到小型语言模型中，在AssetOpsBench基准上，微调后的Gemma 4 E4B和Qwen3-4B模型在无描述推理下优于有完整工具描述的未微调基线，输入长度减少82.6%，规划分数提升。
