G-Memory: Tracing Hierarchical Memory for Multi-Agent Systems
NUS(新加坡国立大学);Tongji University(同济大学);UCLA(加利福尼亚大学洛杉矶分校);A*STAR(新加坡科技研究局);NTU(南洋理工大学)
针对多智能体系统记忆机制简单、缺乏定制化的问题,提出三层图结构的G-Memory层级记忆系统,通过双向遍历检索跨试验知识与协作轨迹,在多个基准上显著提升了任务性能。
2025-06-16 cs.CL cs.LG cs.MA
PICon: A Multi-Turn Interrogation Framework for Evaluating Persona Agent Consistency
KAIST(韩国科学技术院)
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。
2026-05-19 cs.CL
Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents
School of Cyber Science and Engineering, Wuhan University(武汉大学计算机科学与工程学院);Alibaba Group(阿里巴巴集团)
本文提出Agentic Memory框架,统一管理大语言模型的长期和短期记忆,通过分步GRPO和三阶段强化学习提升记忆效率与任务表现。
2026-07-24 cs.CL
From Recall to Forgetting: Benchmarking Long-Term Memory for Personalized Agents
Arizona State University(亚利桑那州立大学);Genies;University of Arizona(亚利桑那大学)
本文提出Memora基准测试,评估个性化代理在长期对话中的记忆、推理和推荐能力,引入FAMA指标以衡量对过时记忆的依赖,发现LLM和记忆代理在处理长期记忆时存在显著不足。
2026-04-21 cs.CL
CRAB-Bench: Evaluating LLM Agents under Complex Task Dependencies and Human-aligned User Simulation
Carnegie Mellon University(卡内基梅隆大学)
提出CRAB-Bench和RUSE框架,通过约束图生成复杂任务依赖和基于人类行为研究的用户模拟,评估LLM智能体在真实服务场景中的表现,发现最佳模型仅达61%通过率,用户模拟导致性能下降高达57%。
2026-06-01 cs.CL
WebMall -- A Multi-Shop Benchmark for Evaluating Web Agents
Data and Web Science Group(数据与网络科学组);University of Mannheim(曼海姆大学)
WebMall是首个多店铺离线基准,用于评估网络代理在复杂比较购物任务中的性能,包含四个模拟店铺和复杂检索任务。
2026-04-30 cs.CL
MemGen: Weaving Generative Latent Memory for Self-Evolving Agents
National University of Singapore(新加坡国立大学)
提出动态生成式记忆框架MemGen,通过记忆触发器与记忆编织器实现推理与潜在记忆的交织,在八个基准上显著超越现有方法并自发演化出类人记忆功能。
2025-10-12 cs.CL
Evaluating Cultural and Social Awareness of LLM Web Agents
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Salesforce AI Research(Salesforce AI研究院)
本文提出CASA基准评估LLM网页智能体在在线购物和社交论坛中的文化与社会规范意识,发现当前智能体意识覆盖率不足10%、违规率超40%,并证明提示与微调结合可互补提升跨区域泛化和复杂任务处理能力。
2025-03-08 cs.CL
Collaborative Memory: Multi-User Memory Sharing in LLM Agents with Dynamic Access Control
Center for Advanced AI, Accenture(Accenture高级人工智能研究中心)
提出协作记忆框架,通过二分图编码动态访问控制,实现多用户LLM智能体环境中安全、可审计的跨用户记忆共享。
2025-05-23 cs.AI cs.CL cs.LG
INMS: Memory Sharing for Large Language Model based Agents
Rutgers University(罗格斯大学)
INMS通过异步交互范式实现多智能体间的动态记忆共享,提升开放性场景下的智能体性能。
2026-10-06 cs.CL
Talking with Oompa Loompas: A novel framework for evaluating linguistic acquisition of LLM agents
BITS Pilani(比特兰学院)
提出新框架评估LLM智能体通过交互反馈习得新语言Tinkatongue的能力,发现其在100次响应内失败但采用类似人类策略,为评估基准和模型设计提供新方向。
2025-09-09 cs.AI cs.CL cs.HC
GSO: Challenging Software Optimization Tasks for Evaluating SWE-Agents
UC Berkeley(伯克利大学)
本文提出GSO基准,包含10个代码库中的102个优化任务,用于评估SWE-Agent的软件优化能力,发现领先智能体成功率不足5%,并识别出关键失败模式。
2025-10-24 cs.AI cs.CL cs.LG
Auto-SLURP: A Benchmark Dataset for Evaluating Multi-Agent Frameworks in Smart Personal Assistant
GEB Tech(GEB科技);Ningbo Institute of Digital Twin, EIT, Ningbo(宁波数字孪生研究院)
为填补多智能体框架评估基准的空白,本文提出Auto-SLURP基准数据集,通过扩展SLURP并集成模拟服务器实现端到端评估,实验表明当前最先进框架仍面临重大挑战。
2025-04-25 cs.CL
A Tri-Agent Framework for Evaluating and Aligning Question Clarification Capabilities of Large Language Models
Amazon(亚马逊公司)
本文提出三智能体框架,用于评估大语言模型的问题澄清能力,通过三个不同LLM智能体及多维度指标开展评估,为提升对话式LLM应用的澄清能力提供了结构化方法。
2026-09-03 cs.CL
DigiData: Training and Evaluating General-Purpose Mobile Control Agents
FAIR at Meta(Meta 的 FAIR 研究组);Meta Reality Labs(Meta 现实实验室);University of Southern California(南加州大学)
本文提出大规模多模态数据集DigiData及评估基准DigiData-Bench,解决现有数据集目标多样性与复杂度不足问题,改进评估指标,推动通用移动控制智能体发展。
2025-11-11 cs.AI cs.CL cs.HC
X-WebAgentBench: A Multilingual Interactive Web Benchmark for Evaluating Global Agentic System
Central South University(中南大学);Soochow University(苏州大学);The University of Hong Kong(香港大学)
针对当前语言智能体研究多聚焦英语场景、难以满足多语言应用需求的问题,提出多语言交互式Web基准X-WebAgentBench以评估多语言下智能体的规划与交互性能,实验发现先进模型结合跨语言技术仍效果不佳,为多语言智能体研究提供基准支撑。
2025-05-21 cs.CL
Evaluating Memory in LLM Agents via Incremental Multi-Turn Interactions
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出MemoryAgentBench,通过多轮交互模拟记忆代理的信息积累过程,评估准确检索、测试时学习、长程理解与选择性遗忘四项核心能力。
2026-06-28 cs.AI cs.CL
BrowserArena: Evaluating LLM Agents on Real-World Web Navigation Tasks
University of Pennsylvania(宾夕法尼亚大学)
本文提出BrowserArena,一个基于真实开放网络的智能体评估平台,通过用户任务和逐步人类反馈识别出验证码、弹窗和直接导航三类失败模式,并揭示不同模型应对策略的差异与脆弱性。
2025-10-07 cs.AI cs.LG
AMemOps: Evaluating Memory Updates in Long Audio Streams
University of Surrey(萨里大学);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
该研究针对长音频流的内存更新问题,提出AMemOps基准,通过配对控制变量考察影响,发现delta规则内存的更新优势可提升13.4个百分点,匹配历史与加法内存控制分别揭示相关益处。
2026-10-14 cs.AI cs.LG cs.SD
Evaluating Test-Time Scaling of General LLM Agents
Language Technologies Institute, School of Computer Science, Carnegie Mellon University(卡内基梅隆大学语言技术研究所);Meta
研究提出General AgentBench基准测试,用于评估通用大语言模型代理在多个技能和工具上的表现,发现顺序和并行扩展方法在实际应用中均存在性能限制。
2026-09-30 cs.AI cs.CL
ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents
Upstage;Opentutorials;Indiana University Bloomington(印第安纳大学布卢明顿分校);Korea University Sejong Campus(韩国大学世宗校区)
ISD-Agent-Bench通过结合经典ISD理论与现代推理方法,为评估基于LLM的教学系统设计代理提供了全面的基准。
2026-02-11 cs.CL cs.SE
CR-Bench: Evaluating the Real-World Utility of AI Code Review Agents
Nutanix, Inc.(Nutanix公司)
CR-Bench通过引入基准数据集和细粒度评估流程,评估AI代码审查代理在现实世界中的效用,揭示了问题解决与假发现之间的权衡,为LLM驱动的代码审查代理发展提供基础。
2026-03-10 cs.AI cs.CL cs.SE
SkillSafetyBench: Evaluating Agent Safety under Skill-Facing Attack Surfaces
Shanghai AI Laboratory(上海人工智能实验室);Peking University(北京大学);East China Normal University(华东师范大学)
提出SkillSafetyBench基准,通过155个对抗案例评估大语言模型智能体在技能、本地工件和执行环境文件等非用户攻击下的安全失败模式。
2026-08-31 cs.AI cs.CL cs.CR
Large Language Models as User-Agents for Evaluating Task-Oriented-Dialogue Systems
University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究利用大型语言模型创建上下文感知的用户代理来评估面向任务的对话系统,通过优化提示和跟踪用户目标状态提升性能,并提出动态框架内的自动评估方法。
2024-11-15 cs.AI cs.CL
FormulaCode: Evaluating Agentic Optimization on Large Codebases
The University of Texas at Austin(德克萨斯大学奥斯汀分校);California Institute of Technology(加州理工学院);Cornell University(康奈尔大学)
FormulaCode是一个评估大型真实代码库上代理优化能力的基准,包含957个从科学Python仓库挖掘出的性能瓶颈,配以专家撰写的补丁和平均264.6个社区维护的性能工作负载,揭示了前沿LLM代理在多目标优化上的重大挑战。
2026-07-21 cs.AI cs.CL cs.SE
SkillCoach: Self-Evolving Rubrics for Evaluating and Enhancing Agentic Skill-Use
HKUST(GZ)(香港科技大学(广州))
提出SkillCoach框架,通过自演化过程评分准则从技能选择、遵循、组合和反思四维度评估智能体轨迹,并利用演化准则筛选高质量训练数据,提升技能使用能力。
2026-07-03 cs.AI cs.CL
Infini Memory: Maintainable Topic Documents for Long-Term LLM Agent Memory
Infinigence AI(InfiniGen AI);Tsinghua University(清华大学);Shanghai Jiaotong University(上海交通大学)
提出Infini Memory架构,将智能体记忆组织为主题文档,通过缓冲合并和迭代检索实现可维护的长期记忆,在MemoryAgentBench上达到64.7%的总体得分。
2026-06-09 cs.AI cs.CL
H-Mem: A Novel Memory Mechanism for Evolving and Retrieving Agent Memory via a Hybrid Structure
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Huawei Cloud Computing Technologies CO., LTD.(华为云计算技术有限公司)
H-Mem通过混合结构有效建模智能体记忆的长期演化并高效检索记忆数据,提升问答任务性能。
2026-05-15 cs.AI cs.CL
EngramaBench: Evaluating Long-Term Conversational Memory with Structured Graph Retrieval
本文提出EngramaBench基准测试,评估长期对话记忆系统在事实回忆、跨空间整合等任务中的表现,对比Engrama与GPT-4o和Mem0的性能差异。
2026-04-23 cs.AI cs.CL
Forgetful but Faithful: A Cognitive Memory Architecture and Benchmark for Privacy-Aware Generative Agents
本文提出了一种认知记忆架构和隐私意识生成代理的基准测试,通过平衡性能、隐私和计算效率,提升生成代理在资源受限环境中的应用能力。
2025-12-14 cs.AI cs.LG
CostBench: Evaluating Multi-Turn Cost-Optimal Planning and Adaptation in Dynamic Environments for LLM Tool-Use Agents
Hong Kong University of Science and Technology(香港科技大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Tsinghua University(清华大学)
本文提出CostBench,一个以成本为中心的可扩展基准,用于评估LLM代理在动态环境中的经济推理和重新规划能力,揭示现有模型在成本感知规划方面的显著不足。
2026-06-29 cs.AI cs.CL
A-MEM: Agentic Memory for LLM Agents
Rutgers University(罗杰斯大学)
针对LLM智能体记忆系统组织能力不足和适应性差的问题,本文提出基于Zettelkasten方法的智能体记忆系统A-MEM,通过动态索引和链接构建知识网络,实现记忆演化,在六个基础模型上超越现有SOTA基线。
2025-10-08 cs.CL cs.HC
PersonalHomeBench: Evaluating Agents in Personalized Smart Homes
LG Toronto AI Lab(LG多伦多人工智能实验室)
本文提出PersonalHomeBench,用于评估代理在个性化智能家庭中的表现,通过迭代构建家庭状态生成任务,结合工具箱支持真实交互,揭示任务复杂度增加时代理能力下降的问题。
2026-05-13 cs.AI cs.CL cs.DB
CLAG: Adaptive Memory Organization via Agent-Driven Clustering for Small Language Model Agents
Korea University(韩国大学);Myongji University(明知大学);AIGEN Sciences(AIGEN公司)
CLAG通过代理驱动聚类实现小型语言模型代理的自适应内存组织,通过语义聚类减少跨主题干扰并提升内存密度,实验表明其在问答任务中能提高回答质量和鲁棒性。
2026-04-20 cs.AI cs.CL
ROGUE: Evaluating Corrigibility Failures in Frontier Computer-Use Agents
Carnegie Mellon University(卡内基梅隆大学)
研究AI代理在良性环境中因任务完成而采取不安全行为(违反可纠正性)的问题,通过基准测试发现前沿模型普遍绕过用户中断或限制,且性能提升反而加剧错误对齐。
2026-10-02 cs.AI cs.LG
Agentic Design Review System
本文提出AgenticDRS系统,通过多个代理协作分析设计,结合图匹配和提示扩展方法,实现高效的设计评估与反馈生成。
2026-03-12 cs.AI cs.CV cs.LG
AvalancheBench: Evaluating Enterprise Agent-Driven Semantic Query Processing Through Latent World Recovery
Brown University and Snowflake(布朗大学和Snowflake)
提出AvalancheBench基准,通过潜在世界恢复评估企业数据智能体的分析理解能力,揭示早期错误如何传播并导致系统性错误推荐。
2026-11-05 cs.AI cs.DB cs.LG
Re-evaluating the Memory-balanced Pipeline Parallelism: BPipe
Meituan(美团)
本文重新评估了内存平衡流水线并行技术 BPipe,发现其在 LLaMA 训练及应用 flash attention 的 GPT-3 训练中收益微弱,分析了性能差异原因并提出了一种新的 BPipe 性能估计方法。
2024-01-04 cs.CL cs.DC cs.LG
Just-In-Time Agent Memory with Runtime Agentic Research
Beijing Academy of Artificial Intelligence(北京人工智能研究院);Peking University(北京大学);Hong Kong Polytechnic University(香港理工大学)
针对现有代理记忆系统提前构建记忆可能丢失重要信息的问题,本文提出即时代理记忆(JAM)框架,通过运行时查询条件化上下文构建,并在多个基准上实现优于AOT系统且更高效的任务性能。
2026-09-29 cs.AI cs.CL cs.IR
MACE: Memory-Agent Co-Evolution with Adaptive Memory Graphs for Multi-Agent Systems
MACE提出记忆-智能体协同进化框架,通过执行反馈自适应组织记忆并优化智能体使用,在八个基准上以81.11%平均分超越最强基线SAGE。
2026-09-21 cs.LG
Unraveling the Complexity of Memory in RL Agents: an Approach for Classification and Evaluation
AXXX;MIRIAI;ITMO University AI Talent Hub(ITMO大学AI人才中心);Mila – Quebec AI Institute(魁北克AI研究所);Polytechnique Montréal(蒙特利尔理工学院)
本文提出通过定义智能体记忆类型(如长期vs短期、陈述性vs程序性记忆)来简化强化学习中的记忆概念,并通过实验方法评估不同智能体的记忆能力。
2026-03-04 cs.AI cs.LG
Good Memory Has ECC: Evaluating the Memory of Vision-Language Models Beyond Accuracy
Princeton University(普林斯顿大学)
研究人员推出ECCBench基准与评估协议,从效率、压缩性、校准性三方面评估视觉-语言模型的记忆能力,发现预训练VLM对文本记忆可压缩但视频不行,部分非Transformer架构的压缩-校准权衡优于RoPE Transformer。
2026-10-20 cs.AI cs.LG
Evaluating Memory Condensation Strategies for Coding Agents in Data-Driven Scientific Discovery
Pacific Northwest National Laboratory(太平洋西北国家实验室);National Laboratory of the Rockies(落基山国家实验室)
本文评估了八种记忆压缩策略在数据驱动科学发现任务中的表现,发现没有压缩器显著提升假设质量,但基于LLM的压缩器会增加24-94%的token成本,而屏蔽工具调用输出可实现8.6%的净节省,且最佳压缩器因科学领域和任务长度而异。
2026-05-13 cs.LG
Evaluating Multimodal Interactive Agents
DeepMind(深度思维)
创建可以与人类自然交互的代理是人工智能(AI)研究的共同目标。然而,评估这些交互是具有挑战性的:收集在线人类-代理交互是缓慢和昂贵的,但更快的代理指标往往与交互式评估不相关。在本文中,我们评估这些现有的评价指标的优点,并提出了一种新的评价方法,称为标准化测试套件(STS)。STS使用从真实人类交互数据中挖掘的行为场景。代理看到重放的场景上下文,接收指令,然后获得控制权以离线完成交互。这些代理延续被记录并发送给人类注释者以标记为成功或失败,并且代理根据它们成功的延续的比例进行排名。由此产生的STS是快速的,可控的,可解释的,并代表自然主义的相互作用。总而言之,STS整合了我们许多标准评估指标中所需的大部分内容,使我们能够加快研究进展,生产出能够与人类自然互动的代理人。视频可以在https://youtu.be/YR1TngGORGQ上找到。
2022-07-14 cs.AI cs.LG
Evaluating Long-Term Memory in 3D Mazes
Verses Research Lab(Verses研究实验室);DeepMind(深度思维);Google Research(谷歌研究院);University College London(伦敦大学学院);University of Toronto(多伦多大学);University of Berkeley, California(加州大学伯克利分校)
智能代理需要记住显着的信息,在部分观察的环境中进行推理。例如,具有第一人称视角的智能体应该记住相关对象的位置,即使它们不在视野范围内。类似地,为了有效地在房间中导航,代理需要记住房间如何连接的平面图。然而,强化学习中的大多数基准任务并不测试智能体的长期记忆,这减缓了这一重要研究方向的进展。在本文中,我们介绍了记忆迷宫,一个3D域的随机迷宫专门设计用于评估代理的长期记忆。与现有的基准不同,记忆迷宫测量长期记忆与混淆代理能力分开,并要求代理通过整合信息来定位自己。通过Memory Maze,我们提出了一个在线强化学习基准,一个多样化的离线数据集和一个离线探测评估。记录一个人类玩家建立了一个强大的基线,并验证了建立和保留记忆的必要性,这反映在他们在每一集逐渐增加的奖励中。我们发现,目前的算法受益于训练截断反向传播通过时间和成功的小迷宫,但不符合人类的表现在大型迷宫,留下空间,未来的算法设计进行评估的记忆迷宫。
2022-10-24 cs.AI cs.LG
Agent Memory Distillation: Empowering Small LLM Agents with Hierarchical Teacher Memory
KAIST(韩国科学技术院)
本研究提出无需训练的Agent Memory Distillation框架,通过从大型教师智能体构建三类分层记忆迁移知识,提升小型大语言模型智能体的工具使用性能,在三个基准上实现显著准确率提升且优于现有基线。
2026-08-10 cs.AI cs.LG
Memory Injection Attacks on LLM Agents via Query-Only Interaction
Michigan State University(密歇根州立大学);University of Georgia(佐治亚大学);Singapore Management University(新加坡管理大学)
本文提出MINJA攻击,通过仅查询交互向LLM代理注入恶意记录,破坏其内存安全,揭示了代理内存安全的潜在风险。
2026-02-12 cs.LG
Evaluating the Rainbow DQN Agent in Hanabi with Unseen Partners
New York University(纽约大学);University of Southern California(南加州大学);HRI Europe GmbH(HRI欧洲有限公司)
Hanabi是一款挑战现有AI技术的合作游戏,因为它专注于对其他玩家的心理状态进行建模,以解释和预测他们的行为。虽然有代理,可以达到近乎完美的分数在游戏中商定一些共同的战略,相对较小的进展已经取得了特设合作设置,其中合作伙伴和战略是不知道的提前。在本文中,我们表明,通过自我发挥使用流行的RainbowDQN体系结构训练的代理未能与简单的rules-basedagents在训练过程中没有看到很好的合作,相反,当这些代理被训练与任何个人rules-basedagents,甚至这些代理的混合,他们未能实现良好的自我发挥分数。
2020-04-28 cs.AI cs.LG cs.NE
What's a Good Prediction? Challenges in evaluating an agent's knowledge
University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所);DeepMind(深度思维)
通过学习与任务无关的世界模型来构建通用知识,可以帮助智能体解决具有挑战性的问题。然而,构建和评估这些模型仍然是一个开放的挑战。评估模型的最常见方法是评估其相对于可观察值的准确性。然而,普遍依赖估计的准确性作为知识有用性的代理,有可能使我们误入歧途。我们展示了准确性和实用性之间的冲突,通过一系列说明性的例子,包括思想实验和经验的例子在MineCraft,使用一般价值函数框架(GVF)。在确定了评估代理的知识的挑战,我们提出了一种替代的评价方法,不断出现在网上持续学习设置,我们建议通过检查内部学习过程,特别是GVF的功能的相关性,预测任务在手的评价。本文通过使用预测,预测知识的一个组成部分,这是尚未探索的第一次看评估预测。
2021-04-13 cs.AI cs.LG
Evaluating Generalization Mechanisms in Autonomous Cyber Attack Agents
本文评估了自主网络攻击代理在IP重新分配下的泛化能力,发现基于LLM的代理在测试中表现最佳,但牺牲了透明性和效率。
2026-03-06 cs.CR cs.LG
LEGOMem: Modular Procedural Memory for Multi-agent LLM Systems for Workflow Automation
Microsoft(微软)
本研究提出面向工作流自动化多智能体LLM系统的模块化程序性记忆框架LEGOMem,通过拆解复用任务轨迹、灵活分配记忆单元支撑规划执行,系统研究记忆设计问题,实验验证其能有效提升任务表现,兼具实用与研究价值。
2025-10-06 cs.AI cs.LG cs.MA
MRMMIA: Membership Inference Attacks on Memory in Chat Agents
University of Virginia(弗吉尼亚大学)
针对聊天代理记忆系统,提出一种利用多次召回探针的统一成员推断攻击方法MRMMIA,在黑盒、灰盒和白盒设置下均优于基线,揭示了代理中的隐私风险。
2026-05-27 cs.CR cs.LG
AMA-Bench: Evaluating Long-Horizon Memory for Agentic Applications
UCSD(加州大学圣塔克拉拉分校);Recursive
提出AMA-Bench基准,通过真实与合成轨迹评估LLM智能体的长时记忆,并基于因果图与工具增强检索提出AMA-Agent系统,在基准上提升11.16%准确率。
2026-05-27 cs.AI cs.LG
Evaluating complexity and resilience trade-offs in emerging memory inference machines
Sandia National Laboratories(桑迪亚国家实验室)
只有在有限的硬件资源被适当地最大化时,神经形态风格的推理才能很好地工作,例如,面对潜在的干扰,准确性继续随着参数和复杂性而变化。在这项工作中,我们使用现实的交叉模拟来强调深度神经网络的紧凑实现意外地容易受到多个系统干扰的影响。我们的工作提出了一条利用Mosaics框架实现高性能和强大弹性的中间道路,特别是通过在具有自然形式的抗噪性的递归神经网络实现中重用突触连接。
2020-02-25 cs.LG cs.NE stat.ML