Dynamic System Instructions and Tool Exposure for Efficient Agentic LLMs
动态系统指令与工具暴露用于高效代理LLM
专题命中 Agent评测 ：agentic(title)；agent(abstract)；autonomous agent(abstract)；分类 cs.AI
AI总结 通过动态系统指令和工具暴露技术，ITR显著减少LLM代理的上下文令牌使用和运行成本，提升工具路由准确性，适用于长期自主代理。
AI 大模型
AI Agent
智能体、工具调用、规划、工作流、多智能体和自主任务执行。
1. Agent评测 15 篇
Sales Research Agent and Sales Research Bench
销售研究代理与销售研究基准
机构 * Microsoft（微软）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文提出销售研究代理和基准，通过实时CRM数据提供高质量决策洞察，并在测试中超越其他AI系统。
Comments Technical report. 2 figures. Microsoft Dynamics 365 Sales
FAMOSE: A ReAct Approach to Automated Feature Discovery
FAMOSE：一种用于自动化特征发现的ReAct方法
机构 * Amazon.com, Inc.（亚马逊公司）
专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；agentic(abstract)；分类 cs.AI、cs.LG
AI总结 FAMOSE通过ReAct方法实现自动化特征发现，显著提升分类和回归任务的性能，展示了AI代理在创新解决方案中的有效性。
Comments 23 pages, 6 figures
Mind the GAP: Text Safety Does Not Transfer to Tool-Call Safety in LLM Agents
注意GAP：在LLM代理中，文本安全不转移到工具调用安全
机构 * Independent Researcher（独立研究者）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.SE
AI总结 该研究发现LLM代理中文本安全不等同于工具调用安全，引入GAP基准测试揭示两者差异，强调需专门评估工具调用安全。
Comments 23 pages, 5 figures, 4 tables, code and data at https://github.com/acartag7/gap-benchmark
LiveClin: A Live Clinical Benchmark without Leakage
LiveClin: 一种无泄漏的实时临床基准
机构 * The Chinese University of Hong Kong, ShenZhen（香港中文大学（深圳）） ； Ant Healthcare, Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学） ； The Ohio State University（俄亥俄州立大学）
专题命中 Agent评测 ：workflow(abstract)；分类 cs.AI、cs.LG
AI总结 LiveClin通过实时更新的临床病例基准，评估医学大语言模型在真实临床场景中的表现，揭示其在复杂医疗任务中的挑战。
AI Gamestore: Scalable, Open-Ended Evaluation of Machine General Intelligence with Human Games
AI 游戏商店：通过人类游戏评估机器通用智能的可扩展性和开放性
专题命中 Agent评测 ：planning(abstract)；分类 cs.AI
AI总结 通过AI GameStore评估机器通用智能，利用人类游戏测试AI在游戏中的表现，发现其在复杂游戏任务中表现不佳。
Comments 29 pages, 14 figures
Continual learning and refinement of causal models through dynamic predicate invention
通过动态谓词发明实现因果模型的持续学习与完善
机构 * University of Bristol（布里斯托大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文提出通过动态谓词发明实现因果模型的持续学习与完善，利用元解释学习提升推理效率，显著提高样本效率。
ConvApparel: A Benchmark Dataset and Validation Framework for User Simulators in Conversational Recommenders
ConvApparel：一种用于对话推荐系统中用户模拟器的基准数据集和验证框架
机构 * Google（谷歌）
专题命中 Agent评测 ：agent(abstract)；分类 cs.CL
AI总结 ConvApparel通过双代理数据收集和反事实验证框架，评估对话推荐系统中用户模拟器的现实差距和泛化能力。
Comments EACL 2026
NESSiE: The Necessary Safety Benchmark -- Identifying Errors that should not Exist
NESSiE: 必要安全基准 -- 识别不应存在的错误
专题命中 Agent评测 ：autonomous agent(abstract)；分类 cs.SE
AI总结 NESSiE提出了一种轻量级安全基准，用于检测大型语言模型中不应存在的安全故障，揭示模型在帮助与安全之间的偏差。
Comments 13 pages, 6 figures
Optimal Portfolio Choice with Cross-Impact Propagators
具有交叉影响传播器的最优投资组合选择
专题命中 Agent评测 ：agent(abstract)
AI总结 本文提出了一种基于矩阵值Volterra传播器的最优投资组合选择模型，通过求解随机Fredholm方程组，分析了交叉影响对投资策略及阿尔法衰减的相互作用。
Comments 37 pages, 7 figures
SimulatorCoder: DNN Accelerator Simulator Code Generation and Optimization via Large Language Models
SimulatorCoder: 基于大语言模型的DNN加速器模拟器代码生成与优化
专题命中 Agent评测 ：agent(abstract)
AI总结 SimulatorCoder利用大语言模型生成并优化DNN加速器模拟器代码，通过结构化提示和反馈机制提升代码准确性和模拟性能。
GDEV-AI: A Generalized Evaluation of Deep Learning Inference Scaling and Architectural Saturation
GDEV-AI: 对深度学习推理扩展性和架构饱和度的通用评估
专题命中 Agent评测 ：planning(abstract)
AI总结 GDEV-AI通过基准测试分析CPU推理的可扩展性和架构饱和度，揭示传统CPU和现代架构在吞吐量和延迟上的差异，为异构数据中心的容量规划提供实证支持。
Comments 14 pages, 18 figures, 20 references
Equity in auction design with unit-demand agents and non-quasilinear preferences
拍卖设计中的公平性：单位需求代理与非准线性偏好
专题命中 Agent评测 ：agent(abstract)
AI总结 本文提出了一种基于公平性的拍卖机制，该机制在单位需求代理和非准线性偏好下实现策略可行、个体理性、同等对待、无浪费和无补贴。
Trading in CEXs and DEXs with Priority Fees and Stochastic Delays
在CEX和DEX中使用优先费用和随机延迟的交易
专题命中 Agent评测 ：agent(abstract)
AI总结 本文提出了一种结合连续控制与脉冲干预的混合框架，用于在CEX和DEX中优化交易策略，通过优先费用选择最优管理延迟风险。
Human-Like Trajectories Generation via Receding Horizon Tracking Applied to the TickTacking Interface
通过递推视界跟踪生成类人轨迹应用于TickTacking界面
专题命中 Agent评测 ：agent(abstract)
AI总结 本文通过递推视界方法在TickTacking界面中生成类人轨迹，通过分析用户行为特征提升人机交互的直观性和效率。
