DataGovBench: Benchmarking LLM Agents for Real-World Data Governance Workflows
Peking University(北京大学);ByteDance(字节跳动)
DataGovBench通过150种现实任务评估LLM代理在数据治理中的表现,提出DataGovAgent框架提升复杂任务性能和调试效率。
2025-12-06 cs.AI cs.SE
ComfyBench: Benchmarking LLM-based Agents in ComfyUI for Autonomously Designing Collaborative AI Systems
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Jiao Tong University(上海交通大学);The University of Sydney(悉尼大学);The Chinese University of Hong Kong(香港中文大学)
ComfyBench通过评估基于LLM的代理在ComfyUI中自主设计协作AI系统的能力,提出ComfyAgent框架,展示其在任务解决中的性能与潜力。
2026-02-09 cs.AI cs.CL cs.CV
LabOSBench: Benchmarking Computer Use Agents for Scientific Instrument Control
Shenzhen Loop Area Institute(深圳河套学院);Dalian University of Technology(大连理工大学);The Chinese University of Hong Kong(香港中文大学);The Hong Kong University of Science and Technology(香港科技大学)
提出LabOSBench基准,基于Web科学仪器模拟器评估多模态GUI智能体在仪器控制中的表现,揭示现有智能体在反馈驱动操作和长流程执行上的不足。
2026-06-16 cs.AI
Beyond BeautifulSoup: Benchmarking LLM-Powered Web Scraping for Everyday Users
本文评估了基于LLM的网络爬虫在日常用户中的应用,展示了端到端LLM代理如何使复杂爬虫变得简单,同时比较了LLM辅助脚本和端到端代理在不同场景下的效果。
2026-01-09 cs.AI cs.CR cs.SE
Benchmarking Real-Time Question Answering via Executable Code Workflows
Li Auto Inc(利亚 Auto 公司);Minzu University of China(民族大学)
本文提出RT-QA框架,通过可执行代码工作流实现动态评估,发现现有模型在实时适应性上存在显著不足,主要问题包括懒惰检索和时间混淆。
2026-05-10 cs.AI cs.CL cs.IR
The Hard Part Comes After Search: Benchmarking Web Agents on Synthesizing, Organizing, and Displaying Knowledge
University of Utah(犹他大学)
针对现有基准未充分评估智能体助手能力的问题,提出KNOWS基准,通过复杂浏览器任务联合评估检索、综合与展示能力,发现前沿智能体完全成功率不足3%,揭示其端到端助手能力的局限。
2026-09-28 cs.AI cs.CL
SupChain-Bench: Benchmarking Large Language Models for Real-World Supply Chain Management
Alibaba Group(阿里巴巴集团);Peking University(北京大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出SupChain-Bench基准测试,用于评估大语言模型在现实世界供应链管理中的表现,揭示模型执行可靠性差距,并提出SupChain-ReAct框架提升工具调用性能。
2026-05-13 cs.AI
Trusted Credentials, Untrusted Behavior: Benchmarking LLM-Agent Security in High-Performance Computing
Texas Tech University(德克萨斯技术大学)
研究高性能计算中语言模型代理安全性,定义其威胁模型,识别攻击面及当前控制不足,提出研究议程和TaskBound实证基准测试计划,以应对代理按用户凭证运行时可能出现的劫持授权代理问题。
2026-07-22 cs.AI cs.CR
PeakBench: Benchmarking Resource-Aware Tool Invocation in LLM Agents
School of Artificial Intelligence, Nanjing University(南京大学人工智能学院);Nanjing University(南京大学)
PeakBench是面向LLM智能体的资源感知工具调用基准,通过两部分评估框架解耦逻辑规划与物理调度,实验表明资源信息可减少溢出、提升利用率,为相关研究提供测试平台。
2026-08-26 cs.AI cs.SE
DashArena: Benchmarking LLMs on Interactive Analytic Dashboard Generation
研究人员推出首个交互式分析仪表板生成基准DashArena,含轨迹回放与VLM评判,提炼出DashJudge-8B,发现前沿模型仍存多类缺陷,交互评估可捕捉遗漏问题。
2026-08-12 cs.AI
Benchmarking LLM-Assisted Blue Teaming via Standardized Threat Hunting
State University of New York at Binghamton(纽约州立大学布ingham顿分校);University of Alabama at Birmingham(阿拉巴马大学伯明翰分校);Duke University(杜克大学)
本文提出CyberTeam基准,通过构建标准化工作流和模块化操作步骤,评估大语言模型在蓝队威胁狩猎中的有效性,并揭示标准化设计带来的改进与开放式推理的局限性。
2026-05-28 cs.AI cs.CR
BenGER Platform: A Collaborative Web Platform for End-to-End Benchmarking of German Legal Tasks
Technical University of Munich(慕尼黑技术大学)
提出BenGER开源Web平台,集成任务创建、协作标注、可配置LLM运行及多维度评估,支持多组织项目与租户隔离,实现法律推理基准测试的端到端透明与可复现。
2026-05-27 cs.AI cs.CL
CSR-Bench: Benchmarking LLM Agents in Deployment of Computer Science Research Repositories
University of California, Los Angeles(加州大学洛杉矶分校);Amazon Web Services(亚马逊网络服务)
针对计算机科学研究仓库部署需求,提出CSR-Bench基准测试与CSR-Agents框架,多维度评估LLMs处理复杂代码开发任务的能力,初步验证其可优化部署流程并提升开发者生产力。
2025-02-11 cs.AI cs.LG cs.SE
CoMemBench: Benchmarking Collaborative Memory Boundaries across Multi-Agent Workflow Topologies
CoMemBench提出首个基于执行的多智能体工作流拓扑协作记忆边界基准,通过800个复合工作流衡量共享与隔离权衡,揭示拓扑对系统性能的影响。
2026-09-30 cs.AI
ToolPrivacyBench: Benchmarking Purpose-Bound Privacy in Tool-Using LLM Agents
Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing(北京未来区块链与隐私计算先进创新中心)
针对现有评估忽略多工具轨迹中目的绑定信息流的问题,提出ToolPrivacyBench基准,通过策略知识库审计工具参数和后端日志,评估任务完成与隐私过度披露,发现成功执行任务可能伴随不必要的隐私泄露。
2026-06-29 cs.AI cs.CR
CoSec: Benchmarking Agent Security in Communities
Nanjing University(南京大学);Xi’an Jiaotong University(西安交通大学);Beihang University(北京航空航天大学);Zhejiang University(浙江大学);Zhejiang Sci-Tech University(浙江理工大学);Tsinghua University(清华大学);Southeast University(东南大学);Tongji University(同济大学);Sun Yat-sen University(中山大学)
CoSec是一个包含208个场景的可执行基准,用于评估LLM智能体在社区内外的隐私与授权执行,发现任务效用不等于合规,社区授权仍是未解的安全挑战。
2026-10-22 cs.AI cs.CR
VisBrowse-Bench: Benchmarking Visual-Native Search for Multimodal Browsing Agents
CASIA;Ant Digital Technologies Ant Group(蚂蚁集团数字技术部);RUC(清华大学);FZU(福建师范大学);THU(清华大学);USTB(北京科技大学);PKU(北京大学)
本文提出VisBrowse-Bench,用于评估多模态浏览代理的视觉推理能力,通过文本-图像检索和联合推理进行多模态证据交叉验证,验证了不同模型在搜索过程中的表现。
2026-03-18 cs.AI cs.CV
Benchmarking LLM-Based Static Analysis for Secure Smart Contract Development: Reliability, Limitations, and Potential Hybrid Solutions
Department of Computer Science Alexandru Ioan Cuza University of Iași(计算机科学系阿莱克桑德鲁·伊奥安·库扎大学)
本文评估LLM在智能合约安全分析中的可靠性与局限性,指出其依赖非语义启发式方法导致高误报率,并提出混合解决方案的潜力。
2026-05-11 cs.AI cs.CR
LocalGPT: Benchmarking and Advancing Large Language Models for Local Life Services in Meituan
Department of Electronic\ , BNRist,\ University Beijing, China;Department of Electronic\ , BNRist,\ University
本研究为美团本地生活服务建立基准并评估多种大语言模型,通过微调和智能体工作流提升性能,发现7B模型可媲美72B模型,兼顾成本与能力。
2025-10-24 cs.AI cs.CL
DAComp: Benchmarking Data Agents across the Full Data Intelligence Lifecycle
Institute of Automation, CAS(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
DAComp通过210个任务评估数据代理在数据工程与分析中的能力,揭示现有代理在复杂流程编排和开放性推理中的不足。
2025-12-03 cs.AI cs.CL
TCSAlgBench: Benchmarking Automated Proving for Research-Level Theoretical Computer Science
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Amazon(亚马逊);University of Pennsylvania(宾夕法尼亚大学)
TCSAlgBench是一个包含398个定理级挑战的基准测试,用于评估大型语言模型在研究级理论计算机科学中的自动化证明能力,实验显示智能体规划达到最高25.4%的验证者接受覆盖率。
2026-09-29 cs.AI cs.CL
IDRBench: Benchmarking the Interactive Capabilities of Deep Research Agents
School of Computing, National University of Singapore(新加坡国立大学计算机学院);School of Intelligence Science and Engineering, Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳)智能科学与工程学院);Zhejiang University(浙江大学);State Key Lab of CAD&CG, Zhejiang University(浙江大学计算机辅助设计与图形学国家重点实验室)
提出IDRBench基准,通过交互式框架和用户模拟器评估深度研究代理的交互能力,实验表明交互能提升研究质量和鲁棒性。
2026-09-25 cs.AI cs.CL cs.HC
Correct Code, Broken Contributions? SWE-CC: Benchmarking Repository Policy Compliance for Coding Agents
Singapore Management University(新加坡管理大学);Singapore University of Technology and Design(新加坡科技设计大学)
针对编码代理的仓库策略合规性,提出SWE-CC基准,通过823条原子策略和全面审计机制评估500个任务,发现功能正确但合规性差,43.1%策略被违反。
2026-10-06 cs.AI cs.SE
APeB: Benchmarking Personalization Ability of Large Language Model Agents
The Chinese University of Hong Kong(香港中文大学);ByteDance(字节跳动)
研究大型语言模型智能体在处理原始、未明确查询时的个性化问题,通过引入个性化产品搜索测试平台构建基准测试,评估发现模型处理明确查询较好,但早期查询有困难,简单方法能提升性能。
2026-10-19 cs.AI cs.HC
Useful for Exploration, Risky for Precision: Evaluating AI Tools in Academic Research
Dresden University of Technology(德累斯顿技术大学)
本文评估了AI工具在学术研究中的应用,指出尽管AI工具能提升效率,但其输出难以验证且易出错,需结合人本与计算机指标进行评估,发现问答工具虽能提供概述但不适用于精确信息提取,文献综述工具则缺乏可复现性和透明度。
2026-05-12 cs.AI cs.HC
PentestEval: Benchmarking LLM-based Penetration Testing with Modular and Stage-Level Design
School of Computing and Information Systems, Singapore Management University(计算与信息系统学院,新加坡国立管理大学);School of Computer Science and Engineering, Nanyang Technological University(计算机科学与工程学院,南洋理工大学);School of Cyber Security, Tianjin University(网络安全学院,天津大学)
PentestEval通过模块化和阶段级设计,评估LLM在渗透测试各阶段的性能,揭示其在自动化测试中的局限性。
2026-11-03 cs.AI cs.CR cs.SE
Benchmarking and Mitigating Sycophancy in Medical Vision Language Models
MBZUAI;Saarland University(萨尔兰大学);HKUST(GZ)(香港科技大学(广州));KAUST(卡塔尔大学)
针对医疗视觉语言模型中的谄媚问题,提出分层医疗视觉问答基准和VIPER策略,通过过滤非证据社会线索减少谄媚,提升模型鲁棒性。
2026-05-28 cs.AI cs.CV
Characterizing Performance-Energy Trade-offs of Large Language Models in Multi-Request Workflows
Dalhousie University(达尔豪斯大学)
本文研究了多请求工作流中大规模语言模型的性能与能耗权衡,通过四个代表性工作负载分析关键能耗参数对延迟、吞吐量和组件能耗的影响,揭示了批处理大小、GPU供电限制和引擎优化对能耗的差异影响。
2026-03-12 cs.AI cs.DC
FlowMind: Automatic Workflow Generation with LLMs
J. P. Morgan AI Research(摩根大通人工智能研究院)
本文提出FlowMind系统,利用LLM自动生成工作流,通过通用提示配方结合可靠API减少幻觉并保护数据机密性,并引入NCEN-QA金融数据集验证其有效性。
2024-03-17 cs.AI cs.CL
Benchmarking Deep Search over Heterogeneous Enterprise Data
Salesforce AI Research(Salesforce人工智能研究)
提出了一个评估深度搜索的新基准,利用合成数据管道模拟业务工作流生成多跳问题,发现现有智能体RAG方法因检索瓶颈导致性能显著下降。
2025-06-29 cs.AI cs.CL
AgentKernelArena: Generalization-Aware Benchmarking of GPU Kernel Optimization Agents
AMD
本文提出AgentKernelArena,一个用于评估GPU核优化代理的开源基准,通过隔离工作区和统一评分机制,测试代理在不同任务和硬件目标上的性能和通用化能力,发现大多数任务在正确性和编译效率上表现优异,但在PyTorch到HIP的转换任务中存在显著的正确性下降。
2026-05-16 cs.AI cs.CL cs.LG
LongDA: Benchmarking LLM Agents for Long-Document Data Analysis
University of Notre Dame(圣母大学);IBM Research(IBM研究院);University of Connecticut(康涅狄格大学)
LongDA通过评估基于LLM的代理在长文档数据分析中的性能,揭示了现有模型在处理复杂任务时的不足。
2026-01-11 cs.AI cs.DL
LLM Benchmarking with LLaMA2: Evaluating Code Development Performance Across Multiple Programming Languages
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Louisiana State University(路易斯安那州立大学)
本文评估Llama 2-70B在科学计算中生成代码、文档、单元测试及翻译代码的能力,发现其处理简单任务尚可,但复杂并行计算需大量人工修正。
2025-05-30 cs.AI cs.LG cs.SE
DeskCraft: Benchmarking Desktop Agents on Professional Workflows and Human-in-the-Loop Collaboration
Zhejiang University(浙江大学);Tsinghua University(清华大学);Tencent(腾讯);The University of Hong Kong(香港大学)
提出DeskCraft基准,针对专业创意软件中的长周期工作流和主动人机协作,通过多级难度分类和交互协议评估18种代理,发现GPT-5.4在标准任务上达31.6%,交互任务上达27.6%。
2026-06-02 cs.AI
Benchmarking Agentic Newswriting via Journalistic Workflows
National Yang Ming Chiao Tung University(国立阳明交通大学);Sony Group Corporation(索尼集团)
研究智能体在新闻写作工作流程中的表现,引入NEWSAGENT基准,给定写作指令和部分材料,评估智能体搜索、选信息及改草稿能力,发现其检索事实尚可,但规划和叙事整合有困难,为评估智能体能力提供现实测试平台。
2026-07-21 cs.AI
Benchmarking Egocentric Clinical Intent Understanding Capability for Medical Multimodal Large Language Models
Shenzhen University(深圳大学);Stanford University(斯坦福大学);City University of Hong Kong(香港城市大学)
本文提出MedGaze-Bench,首个评估医疗多模态大语言模型视点临床意图理解能力的基准测试,通过三维意图框架和陷阱QA机制,揭示现有模型在手术、急救和诊断任务中对意图理解的不足。
2026-01-11 cs.AI cs.CL cs.CV
REFORGE: A Method for Benchmarking LLMs' Reverse Engineering Capabilities in Decompiled Binary Function Naming
Systrion GmbH(Systrion 有限公司);Wilhelm Büchner Hochschule(威廉·毕希纳应用科学大学)
研究针对大语言模型逆向工程能力评估难的问题,提出Reforge方法,通过特定流程构建函数级真实情况并处理对齐不确定性,经实验验证该方法能揭示优化对模型性能的影响,推动不确定性感知基准测试实践。
2026-11-16 cs.AI cs.CR cs.PL
Action Engine: Automatic Workflow Generation in FaaS
University of North Texas (UNT)(北卡罗来纳州立大学)
针对云原生开发者构建FaaS工作流的专业知识、平台依赖等挑战,本文提出核心为工具增强LLM的Action Engine机制,可自动生成并执行FaaS工作流,填补工具增强LLM研究空白,且性能与少样本学习相当、保持平台和语言无关性。
2025-08-20 cs.AI cs.DC cs.LG
MedAgentBoard: Benchmarking Multi-Agent Collaboration with Conventional Methods for Diverse Medical Tasks
National Engineering Research Center for Software Engineering, Peking University(北京大学国家软件工程研究中心);School of Computing and Data Science, The University of Hong Kong(香港大学计算与数据科学学院);Centre for Medical Informatics, The University of Edinburgh(爱丁堡大学医学信息学中心);ETH Zurich(苏黎世联邦理工学院);Health Data Research UK(英国健康数据研究所);Key Laboratory of High Confidence Software Technologies, Ministry of Education(教育部高可信软件技术重点实验室)
本文提出MedAgentBoard基准,系统评估多智能体协作、单LLM与常规方法在四类医疗任务中的表现,发现多智能体协作并非始终最优,强调需基于任务特性权衡其复杂性与性能收益。
2025-10-30 cs.AI cs.CL cs.LG
Benchmarking Agentic Workflow Generation
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团)
本文提出WorfBench基准和WorfEval评估协议,用于测试LLM智能体生成工作流的能力,发现序列与图规划存在约15%差距,且生成的工作流能提升下游任务性能。
2025-02-23 cs.AI cs.CL cs.HC
ClawArena-Team: Benchmarking Subagent Orchestration and Dynamic Workflows in Language-Model Agents
UNC-Chapel Hill(北卡罗来纳大学教堂山分校);University of California, Berkeley(加州大学伯克利分校);University of California, Santa Cruz(加州大学圣克鲁兹分校)
提出ClawArena-Team基准,通过41个多轮多模态多目录场景,评估单个LLM作为管理者编排子智能体的能力,发现管理瓶颈在于权限授予而非感知,且成本与质量解耦。
2026-07-03 cs.AI
GTA-2: Benchmarking General Tool Agents from Atomic Tool-Use to Open-Ended Workflows
Shanghai Jiao Tong University(上海交通大学);Shanghai AI Laboratory(上海人工智能实验室);Tencent(腾讯);Nanyang Technological University(南洋理工大学)
本文提出GTA-2基准测试,涵盖原子工具使用和开放性工作流,通过递归检查点机制评估模型能力和执行框架,揭示了前沿模型在复杂任务上的性能差距。
2026-04-17 cs.AI cs.CL
WirelessAgent++: Automated Agentic Workflow Design and Benchmarking for Wireless Networks
College of Electronics and Information Engineering, Shenzhen University(深圳大学电子与信息工程学院);Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology(香港理工大学电子与计算机工程系)
WirelessAgent++通过自动化设计无线任务代理工作流,结合MCTS算法和WirelessBench基准测试,实现了高效且稳健的无线网络代理生成。
2026-02-28 cs.AI cs.NI eess.SP
Finch: Benchmarking Finance & Accounting across Spreadsheet-Centric Enterprise Workflows
Finch通过真实企业工作流评估AI代理,包含数据录入、结构化、格式化等任务,涵盖预算、交易等多领域,展示了AI在复杂企业工作流中的挑战。
2026-04-15 cs.AI cs.CE cs.IR
Agentic Mixture-of-Workflows for Multi-Modal Chemical Search
IBM Research–Almaden(IBM阿尔马登研究院)
针对材料设计空间大且复杂、LLM应用缺乏基准的问题,提出CRAG-MoW范式,编排多智能体工作流综合CRAG策略,在化学多模态检索中性能媲美GPT-4o且更受偏好,提供可扩展可解释的优化途径。
2025-02-26 cs.AI
TerminalWorld: Benchmarking Agents on Real-World Terminal Tasks
University College London(伦敦大学学院);Nanjing University(南京大学);Tencent(腾讯)
本文提出TerminalWorld,一个可扩展的数据引擎,能够自动从真实世界终端记录中反向工程高保真的评估任务。通过处理80,870条终端记录,生成1,530个经过验证的任务,涵盖18个真实世界类别,从短日常操作到超过50步的工作流,覆盖1,280个唯一命令。从中精选出200个代表性任务作为Verified子集。在八个前沿模型和六个智能体上全面评估发现,当前系统仍难以处理真实终端工作流,最高通过率为62.5%。此外,TerminalWorld捕捉到与现有专家整理的基准(如Terminal-Bench)不同的真实终端能力,仅与它们的分数有弱相关性(Pearson r=0.20)。自动化引擎使TerminalWorld本身具有真实性和可扩展性,使其能够评估智能体在真实终端环境中随着开发者实践的发展而变化。数据和代码可在https://github.com/EuniAI/TerminalWorld获取。
2026-11-06 cs.AI
Kolab: Benchmarking Human-Agent Collaboration in Long-Horizon Workflows
University of Minnesota(明尼苏达大学);Department of Computer Science(计算机科学学院);Department of Economics(经济学院)
Kolab是含50名专业人士协作数据的人机协作基准,可预测专业人士对智能体贡献的使用及协作质量判断,发现前沿模型难区分协作质量,该数据集为相关研究提供支撑。
2026-10-16 cs.AI cs.CL cs.HC
Can AI Agents Really Complete RTL-to-GDS? Lessons from Benchmarking Tool-Interactive EDA Workflows
研究探讨人工智能代理在EDA工作流程中的表现,提出FluxBench进行系统评估,涵盖多种场景并评估多项能力,引入Token ROI指标。结果显示不同代理系统架构性能有差距,特定领域技能不是提升性能的唯一关键,系统设计和基础模型能力也很重要。
2026-07-24 cs.AI cs.AR cs.LG
High-Dimensional Data Processing: Benchmarking Machine Learning and Deep Learning Architectures in Local and Distributed Environments
本文研究了在本地和分布式环境中评估机器学习和深度学习架构在高维数据处理中的表现。
2025-12-11 cs.AI cs.DC
Benchmarking General Mobile Assistants in Challenging Real-World Scenarios
Tsinghua University(清华大学);Alibaba Group(阿里巴巴集团);Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院(AIR))
该研究提出名为GMA的移动助手基准,涵盖七个应用与300个不同难度任务,评估八个前沿模型发现其性能随任务复杂度提升而下降,还证实合适的智能体控制设计可显著提升性能。
2026-08-31 cs.AI cs.CV
DSABench: Benchmarking Source Discovery, Coordination, and Execution for Multi-Database Agents
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
该研究提出DSABench基准测试,评估多数据库智能体的源发现、协调与执行能力,实验显示现有模型在该任务上表现不佳,澄清可提升模糊任务的恢复效果。
2026-10-14 cs.AI
SkillFlow:Benchmarking Lifelong Skill Discovery and Evolution for Autonomous Agents
University of Science and Technology of China(中国科学技术大学);University of Toronto(多伦多大学);University of Sydney(悉尼大学)
SkillFlow通过166个任务测试自主代理能否发现、修复和维护技能库,揭示终身学习中技能演化的能力差距。
2026-04-19 cs.AI
UI-CUBE: Enterprise-Grade Computer Use Agent Benchmarking Beyond Task Accuracy to Operational Reliability
UiPath Romania(UiPath罗马尼亚);UiPath UK(UiPath英国);UiPath France(UiPath法国)
UI-CUBE通过系统性测试揭示CUA在复杂流程中的性能断崖,表明内存管理等架构限制而非训练优化可解决
2025-11-21 cs.AI cs.SE
GlucoTune: A Unified Framework for Blood Glucose Preprocessing, Forecasting, and Benchmarking in Diabetes
Department of Informatics, Systems and Communication, University of Milano-Bicocca(米兰比可卡大学信息、系统与通信系)
GlucoTune框架解决糖尿病血糖数据预处理等缺乏标准流程与评估协议问题,通过可配置管道实现可重复预处理,提供统一接口和基准测试排行榜,集成数据集,经实验验证有效。
2026-07-24 cs.AI cs.LG