大厂专区
SentinelBench: 一个用于长时间运行监控代理的基准测试
机构 * University of Florida（佛罗里达大学） ； Microsoft Research, AI Frontiers（微软研究院，人工智能前沿）
AI总结 提出SentinelBench，一个包含10个合成网络环境中100个任务的基准测试，用于评估AI代理在长时间监控任务中的表现，衡量任务完成度、反应时间和资源使用。
Comments 18 pages, 16 figures
重新思考AI时代的代码审查：面向代理代码审查的愿景
机构 * Microsoft（微软） ； Ankara University（安卡拉大学） ； Bilkent University（比尔肯特大学）
AI总结 本文探讨了在AI时代代码审查的演变，提出了一种结合专门代理和人类控制的质量闸门的AI驱动代码审查流程，旨在提升代码审查的效率和可靠性。
Comments Submitted to ACM Transactions on Software Engineering Methodology (TOSEM). A shorter version of this work has been presented at ICSE-JAWs 2026, Rio de Janeiro, Brazil
调试调试器：面向软件工程智能体的失败锚定结构化恢复
机构 * Nankai University（南开大学） ； Tsinghua University（清华大学） ； Microsoft（微软）
AI总结 提出PROBE框架，通过遥测层、诊断层和指导门将运行时证据转化为结构化恢复指导，在代码修复、工作流恢复等场景中诊断准确率65.37%，恢复率21.79%。
OmniSch：面向结构化图表视觉推理的多模态PCB原理图基准
机构 * Pennsylvania State University, USA（宾夕法尼亚州立大学） ； Independent Researcher（独立研究者） ； Binghamton University, USA（布ingham顿大学） ； Shanghai Jiao Tong University, China（上海交通大学） ； Microsoft Research（微软研究院）
AI总结 提出首个多模态PCB原理图理解基准OmniSch，包含四项任务评估大模型在视觉定位、图推理和几何推理上的能力，揭示现有模型在工程图表理解上的显著差距。
你应该使用你的大语言模型进行探索还是利用？
机构 * UC Berkeley（伯克利大学） ； Microsoft Research（微软研究院）
AI总结 研究当前大语言模型在探索-利用权衡中的决策能力，通过分离探索和利用任务评估其表现，发现推理模型在利用任务上最有潜力但成本高，非推理模型通过工具使用和上下文总结可提升中等难度任务性能，但在所有任务中均不如简单线性回归，然而LLM在具有语义的大动作空间探索中有帮助。
Comments Accepted to UAI 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