AI 大模型
智能体、工具调用、规划、工作流、多智能体和自主任务执行。
AgentRx: 从执行轨迹诊断AI代理故障
机构 * Microsoft Research（微软研究院） ； Microsoft（微软）
专题命中 Agent评测 ：agent(title,abstract)；AI agent(title,abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 AgentRx通过自动化诊断框架，从执行轨迹中定位AI代理的关键故障步骤，并提升跨领域的故障归因能力。
HumanStudy-Bench: 向参与者模拟的AI代理设计迈进
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Independent Researcher（独立研究者）
专题命中 Agent评测 ：agent(title,abstract)；AI agent(title)；分类 cs.AI
AI总结 HUMANSTUDY-BENCH通过代理设计问题重建人类受试者实验，评估代理行为与人类行为的一致性，涵盖个体认知、战略互动和社会心理学领域。
大卫与歌利亚：通过强化学习实现可验证的代理到代理劫持
机构 * Department of Artificial Intelligence, Radboud University, Nijmegen, The Netherlands（人工智能系，拉德堡德大学，尼姆韦根，荷兰）
专题命中 Agent评测 ：agent(title)；autonomous agent(abstract)；tool use(abstract)；agentic(abstract)
AI总结 通过强化学习框架Slingshot，验证了Tag-Along攻击作为可验证的威胁模型，并展示了如何通过环境交互从现成模型中引发有效代理攻击。
Comments Under review. 8 main pages, 2 figures, 2 tables. Appendix included
不要破坏缓存：对长周期智能体任务中提示缓存的评估
专题命中 Agent评测 ：agentic(title,abstract)；agent(abstract)；function calling(abstract)；分类 cs.CL
AI总结 本文评估了提示缓存对长周期智能体任务的影响，发现通过策略性缓存控制可显著降低API成本并提升响应速度。
Comments 16 pages, 9 figures
TessPay：可信代理商业的验证后支付基础设施
机构 * University of Oxford（牛津大学） ； Indian Institute of Technology, Delhi（德里印度理工学院）
专题命中 Agent评测 ：agentic(title,abstract)；agent(abstract)；autonomous agent(abstract)；分类 cs.AI
AI总结 TessPay通过'验证后支付'架构解决代理商业中的信任缺口，提供统一的交易生命周期基础设施。
A2Eval: 基于代理的自动评估用于具身脑
机构 * Zhejiang University, China（浙江大学） ； Westlake University, China（西湖大学） ； Beijing Innovation Center of Humanoid Robotics, China（北京人形机器人创新中心） ； University of Manchester, UK（曼彻斯特大学） ； Southern University of Science（南方科技大学） ； Xiamen University Malaysia, Malaysia（厦门大学马来西亚分校）
专题命中 Agent评测 ：agentic(title,abstract)；agent(abstract)；分类 cs.CL
AI总结 A2Eval提出首个基于代理的自动评估框架，通过两个协作代理自动化基准编纂和评估，显著提升评估效率并减少成本，同时保持高保真度。
从意图到动作：自主网络中的代理AI
专题命中 Agent评测 ：agentic(title,abstract)；agent(abstract)；分类 cs.LG
AI总结 本文提出一种代理AI系统，用于自主网络中将高层意图转化为具体控制动作，通过三个专门代理实现意图解析、优化和控制，以满足多样化的网络需求。
多功能行为扩散用于通用交通代理模拟
机构 * School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） ； Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） ； NVIDIA Research（NVIDIA研究）
专题命中 Agent评测 ：agent(title,abstract)；multi-agent(abstract)
AI总结 多功能行为扩散通过生成多代理互动场景，提升交通模拟的灵活性和实用性，为自动驾驶系统测试提供基础工具。
LinearizeLLM: 一个基于代理的框架，用于由LLM驱动的非线性优化问题的精确线性重 formulations
机构 * Institute for Operations Research, Karlsruhe Institute of Technology, Karlsruhe, Germany（运营研究学院，卡尔斯鲁厄技术大学） ； Institute for Information Systems, Reutlingen University, Reutlingen, Germany（信息系统研究所，鲁特lingen大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI、cs.LG；workflow(comments)
AI总结 LinearizeLLM通过基于代理的LLM框架实现非线性优化问题的自动精确线性化，显著提升线性化效率和准确性。
Comments This version is a major revision with a new abstract, updated workflow logic and description, an expanded instance set, additional numerical experiments, and corrected bibliography entries
为临床工作流程工程AI代理：架构、MLOps和治理的案例研究
机构 * A3Data ； CEFET-MG
专题命中 Agent评测 ：AI agent(title)；agent(abstract)；分类 cs.AI、cs.SE
AI总结 本文提出通过整合四个工程支柱构建可信临床AI系统，展示Maria平台在架构、MLOps和治理方面的创新实践。
Comments 9 pages, 5 figures 2026 IEEE/ACM 5th International Conference on AI Engineering - Software Engineering for AI}{April 12--13, 2026}{Rio de Janeiro, Brazil
Drift-Bench: 通过多轮交互诊断LLM代理在输入故障下的合作破裂
机构 * University of Notre Dame（内布拉斯加大学）
专题命中 Agent评测 ：agent(abstract)；autonomous agent(abstract)；agentic(abstract)；分类 cs.AI、cs.CL、cs.SE
AI总结 Drift-Bench通过多轮交互评估LLM代理在输入故障下的合作破裂，采用角色驱动的用户模拟器和Rise评估协议，揭示澄清效果随用户角色和故障类型的变化，推动代理安全评估。
Comments 65 pages, 40 figures
对开源项目中AI代理的任务级评估
专题命中 Agent评测 ：AI agent(title,abstract)；分类 cs.SE
AI总结 本文评估了五个AI代理在开源项目中的表现，发现Codex在PR接受率上表现优异，而Copilot在审查讨论量上领先，但提交质量因任务类型而异。
Comments 5 pages, accepted at MSR Mining Challenge 2026
DETOUR：双智能体搜索与推理的交互基准
机构 * Patronus AI ； DAP Lab（DAP实验室） ； Columbia University（哥伦比亚大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.CL
AI总结 DETOUR基准通过双智能体机制评估双智能体搜索与推理能力，揭示现有模型在模糊不明确场景下的不足。
SOPRAG：面向工业标准操作规程的多视图图专家检索
机构 * Nanyang Technological University（南洋理工大学）
专题命中 Agent评测 ：agent(abstract)；workflow(abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 SOPRAG通过多视图图专家检索框架，解决工业SOP检索中的结构复杂性和条件依赖性问题，提升检索准确性和响应实用性。
OpenGuanDan: 一个大规模非完全信息游戏基准
机构 * School of Computer Science, Nanjing University of Posts（南京邮电大学计算机科学学院） ； NetEase Fuxi AI Lab, Netease Inc（网易凤凰AI实验室，网易公司） ； School of Intelligent Science（智能科学学院） ； Technology, Nanjing University（技术，南京大学）
专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 OpenGuanDan是一个用于评估多智能体决策算法的新型大规模非完全信息游戏基准，通过模拟中国四人纸牌游戏并支持人机对抗，揭示了当前AI在复杂决策任务中的不足。
当大语言模型代理遇见图优化：一种自动化数据质量改进方法
机构 * Shenzhen Institute of Technology（深圳理工大学）
专题命中 Agent评测 ：agent(abstract)；planning(abstract)；multi-agent(abstract)；分类 cs.LG
AI总结 LAGA是一种统一的多代理框架，通过协调多模态优化全面提升文本属性图的数据质量，验证了数据驱动的质量优化在可靠分析中的重要性。
Comments 12 pages, 10figures
在保险承保环境中评估智能体
专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 本文提出UNDERWRITE基准，通过专家协作模拟真实保险承保场景，揭示了代理性能与企业需求间的差距，强调了专家参与和组合性方法的重要性。
ASP-Bench: 从自然语言到逻辑程序
机构 * Algorithms and Complexity Group TU Wien（算法与复杂性组维也纳技术大学）
专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI、cs.CL
AI总结 ASP-Bench通过自然语言到逻辑程序的转换基准，评估了基于ReAct框架的代理方法，揭示了建模难度的多维因素。
BMG-Q：局部双图匹配图注意力Q学习用于拼车订单调度
机构 * Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（香港科学与技术大学土木与环境工程系） ； Intelligent Transportation Thrust, Systems Hub, The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）智能交通 thrust，系统中心） ； Department of Aeronautical and Aviation Engineering, The Hong Kong Polytechnic University（香港理工大学航空与航空工程系）
专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG
AI总结 BMG-Q通过局部双图匹配图注意力Q学习提升拼车订单调度的决策效率与鲁棒性。
Journal ref IEEE Transactions on Intelligent Transportation Systems ( Volume: 26, Issue: 10, October 2025)
自动化多轮面试（MMI）评分
机构 * University of Surrey（萨里大学）
专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.CL
AI总结 本文提出多智能体提示框架，通过转录优化和标准特定评分提升MMI评分的准确性和可靠性，优于传统微调方法。
Comments 18 pages, 2 figures
轨迹SFT中智能体学习了语义还是接口？
机构 * National Engineering Research Center for Software Engineering, Peking University, Beijing, China（软件工程国家工程研究中心，北京大学，北京，中国） ； Nanjing University, Nanjing, China（南京大学，南京，中国） ； Tongji University, Shanghai, China（同济大学，上海，中国）
专题命中 Agent评测 ：agent(abstract)；tool-use(abstract)；分类 cs.LG
AI总结 本文提出PIPE协议用于评估智能体在轨迹SFT中对接口的依赖性，发现轨迹SFT显著放大了接口捷径，且引入了接口依赖性指标以量化训练时接口的偏好。
弥合语义鸿沟：协同概念锚定用于通用少样本和零样本OOD感知
机构 * Boston University（波士顿大学） ； Suffolk University（苏富比大学） ； Kyung Hee University, South Korea（韩国庆熙大学）
专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 SynerNet通过协同神经代理网络框架，解决视觉语言模型在分布外概念感知中的跨模态对齐退化问题，提升少样本和零样本场景下的精度。
LIEREx: 语言-图像嵌入用于机器人探索
专题命中 Agent评测 ：agent(abstract)；autonomous agent(abstract)
AI总结 LIEREx通过整合视觉-语言基础模型与3D语义场景图，实现机器人在部分未知环境中的目标导向探索。
Comments This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this article is published in KI - Künstliche Intelligenz, and is available online at https://doi.org/10.1007/s13218-026-00902-6
Journal ref Künstliche Intelligenz (2026)
事实还是假象？评估深度伪造检测器在多模态虚假信息检测中的作用
机构 * The University of Western Australia（西澳大学） ； Fatih Sultan Mehmet Vakif University（法提赫·苏丹·梅赫梅特·瓦基夫大学） ； Aljazeera Media Network Investigative Department（半岛电视台调查部门）
专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)
AI总结 研究评估了深度伪造检测器在多模态虚假信息检测中的作用，发现其独立价值有限，而证据驱动的事实核查系统表现更优。
特征权重与算术希格泽布鲁克比例性
专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)
AI总结 本文通过AI代理结合代数组合学工具，将特征权重与对称群表示论联系，确定了所有经典群的特征权重。
Comments Fix broken reference, clarify some phrasing
DREAM: 为AI模型跨环境动态红队测试
专题命中 Agent评测 ：agent(abstract)；agentic(abstract)
AI总结 DREAM通过动态多阶段攻击测试揭示LLM代理在跨环境安全中的关键漏洞，指出上下文脆弱性和长期恶意意图追踪不足，并提出评估工具以提升防御能力。
构造-验证：Lean 4中的应用数学基准
专题命中 Agent评测 ：agent(abstract)；workflow(abstract)
AI总结 本文提出Lean 4中的构造-验证框架，通过AMBER基准评估应用数学领域中显式解决方案合成与验证能力，揭示通用模型在复杂构造任务中的优势。
大规模自动出价与纳什均衡约束
机构 * Alibaba Group（阿里巴巴集团） ； Department of Statistics and Data Science（统计与数据科学系） ； Yale University（耶鲁大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出纳什均衡约束出价框架，通过理论严谨的惩罚对偶梯度方法实现大规模自动出价的稳定性和最优性。
深度变分对比学习用于联合风险分层和生存时间估计
机构 * Politecnico di Milano, AIRLab（米兰理工学院，AIRLab）
专题命中 Agent评测 ：planning(abstract)；分类 cs.AI、cs.LG
AI总结 CONVERSE通过结合变分自编码器和对比学习，实现可解释的风险分层和生存时间估计，提升深度生存模型的性能与可解释性。
从分数到步骤：诊断和改进证据医学计算中LLM的性能
机构 * Department of Computer Science, Yale University, CT, USA（耶鲁大学计算机科学系） ； Center for Healthcare Organization and Implementation Research, VA Bedford Health Care（VA贝福德医疗中心健康组织与实施研究中心） ； Miner School of Computer and Information Sciences, UMass Lowell, MA, USA（UMass洛厄尔矿尔计算机与信息科学学院） ； Manning College of Information and Computer Sciences, UMass Amherst, MA, USA（UMass阿默斯特马宁信息与计算机科学学院）
专题命中 Agent评测 ：agentic(abstract)；分类 cs.AI、cs.CL
AI总结 本文提出MedRaC框架，通过分步评估和代码执行提升LLM在证据医学计算中的准确性，揭示现有评估方法的不足，并推动临床可信度的提升。
Comments Equal contribution for the first two authors. To appear as an Oral presentation in the proceedings of the Main Conference on Empirical Methods in Natural Language Processing (EMNLP) 2025
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