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。
孤立无害，组合有害：智能体技能生态系统中的安全风险
机构 * East China Normal University（东华大学） ； Centre for Frontier AI Research A*STAR（前沿人工智能研究中心A*STAR） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出技能组合风险（SCR）概念，通过SCR-Bench基准测试发现，多个技能在共享上下文中组合执行时，攻击成功率显著高于孤立评估，强调应基于激活路径评估技能安全性。
基于智能体模拟器的审议式投票中替代性信息系统评估
机构 * Florida Institute of Technology（佛罗里达理工学院） ； Princess Nourah Bint Abdulrahman（纳厄赫·阿卜杜勒拉赫曼公主） ； Free University of Bozen-Bozano（博兹诺-博萨诺自由大学）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 提出基于LLM的智能体双极论证模拟器（ABAS），通过覆盖率和语料多样性评估审议式投票中推荐机制的有效性，并测试了对抗性投票攻击下的鲁棒性。
面向大学教务管理信息系统的AI安全代理：多向量威胁检测与自动响应
机构 * University ACMIS（ACMIS大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出一种结合监督异常检测、行为分析和NLP聊天机器人的AI安全代理，针对ACMIS的五个操作层进行监控，并通过四级风险升级框架实现自动响应，在模拟数据集上达到0.91的F1分数。
Comments 6 pages, 1 figure, 5 tables,
StreamMemBench: 面向未来辅助的智能体记忆流式评估
机构 * Fudan University（复旦大学） ； Amazon Stream（亚马逊流）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出StreamMemBench基准，通过两步任务序列测试智能体记忆从流式观察到后续任务中证据回忆、反馈整合与重用能力，实验发现现有系统在证据使用和反馈转化上存在不足。
EpiBench：人工智能代理在表观基因组学分析中的可验证评估
机构 * LatchBio
专题命中 Agent评测 ：AI agent(title)；workflow(abstract)；分类 cs.AI
AI总结 提出EpiBench基准，通过106个评估任务测试AI代理在表观基因组学工作流中的决策能力，发现最佳系统GPT-5.5/Pi通过率仅45%，失败多因缺乏深度科学判断。
从被动生成到主动调查：一种主动的科学同行评审代理
机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Technical University of Darmstadt（达姆施塔特工业大学通用知识处理实验室） ； National Research Center for Applied Cybersecurity ATHENE, Germany（德国国家应用网络安全研究中心 ATHENE） ； School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.CL
AI总结 提出ProReviewer，一种基于LLM的主动科学同行评审代理，将评审建模为马尔可夫决策过程，通过结构化评审日志引导主动调查，在五个质量维度上平均得分最高，优于现有方法。
探索智能体口音如何影响K-12小组学习中的人机协作
机构 * Massachusetts Institute of Technology（麻省理工学院）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 研究通过33名教师的实验，发现GenAI语音智能体的不同口音（英式、印度式、非裔美式）影响其被感知为工具或同伴，进而影响信任、参与和依赖。
ABC-Bench：生物安全的主体生物能力基准
机构 * Andrew Bo Liu（安德鲁·刘） ； Samira Nedungadi（萨米拉·纳杜加迪） ； Bryce Cai（布莱斯·凯） ； Alex Kleinman（亚历克斯·克莱因曼） ； Harmon Bhasin（哈蒙·巴辛） ； Seth Donoughe（塞斯·多诺赫）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 提出ABC-Bench基准，评估LLM主体在生物安全相关任务上的能力，包括液体处理机器人编程、DNA片段设计和合成筛选规避，所有测试主体均优于人类专家基线。
Comments 18 pages. To be published in ICML 2026
评估智能体环境中的自动化提示注入攻击
机构 * ETH Zurich（苏黎世联邦理工学院）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 研究在智能体环境中，黑盒优化方法（TAP）比梯度方法（GCG）更有效，且攻击效果依赖于攻击者模型，任务通用攻击可迁移但跨模型迁移受限。
STAGE-Claw：面向真实场景的基于状态的智能体自动化基准测试
机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation（中国科学院自动化研究所复杂系统认知与决策智能重点实验室） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学前沿交叉科学学院） ； Chinese Academy of Sciences（中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhongguancun Academy（中关村学院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； Meituan（美团）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出STAGE-Claw框架，自动构建基于状态的个人计算环境中的真实场景任务，通过最终系统状态而非文本响应评估智能体性能，创建40个挑战性任务并分析11个前沿模型。
基于批评-改进的智能体角色生成：工业评估
专题命中 Agent评测 ：agentic(title)；agent(abstract)；分类 cs.SE
AI总结 提出PerGent方法，通过迭代批评-改进循环利用LLM智能体生成角色，在工业部署中专家认可率达96.9%，优于单次生成方法。
Comments Accepted in the Industry Track of the Requirements Engineering (RE) 2026 Conference
Traxia：一个可验证的、智能体原生的科学出版框架
机构 * Faculty of Computing and Mathematical Sciences, University of Mines and Technology (UMaT), Tarkwa, Ghana（加纳塔夸矿业与技术大学计算与数学科学学院） ； BlackMatrix AI Research, Accra, Ghana（加纳阿克拉BlackMatrix AI研究院）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出Traxia框架，通过智能体身份、可验证出版、四层同行评审、声誉机制和知识图谱，解决科学出版中可验证性、归属和可重复性问题。
Comments 22 pages, 3 figures, 3 tables. Preprint. Under active development. Comments welcome
你的帖子揭示了什么：社交媒体用户级隐私泄露的基准与智能体框架
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Wuhan University（武汉大学）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 针对社交媒体用户级多模态隐私泄露缺乏统一基准和评估指标的问题，提出SopriBench基准和隐私暴露分数（PES），并开发了无需训练的智能体框架Argus，通过跨帖子线索累积推理实现隐私推断，PES达0.55，较最强基线提升25%。
委托还是自行操作？理解混合人机界面中的用户行为
专题命中 Agent评测 ：agent(title,abstract)
AI总结 该研究通过被试间实验对比三种交互模式，发现混合人机界面可降低交互成本，委托行为更多反映用户个体特征而非任务需求。
Comments 9 pages, In Proceedings of the 14th International Conference on Human-Agent Interaction at Osaka, Japan on November 16-19, 2026
FrontierFinance：用于衡量金融智能体前沿智能的具有挑战性的基准
机构 * Samaya AI（萨马亚人工智能公司）
专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；workflow(abstract)；分类 cs.AI、cs.CL
AI总结 该研究推出覆盖投资者全流程的FrontierFinance基准，评估发现工具框架影响智能体表现，Samaya内部系统最优，开源模型Kimi K3成本更低且接近专有模型，最难用例为筛选与发现等。
ComboShoppingBench：评估大型语言模型智能体在带优惠券的预算约束组合购物篮任务中的表现
专题命中 Agent评测 ：agent(abstract)；planning(abstract)；agentic(abstract)；分类 cs.AI、cs.CL
AI总结 本研究推出ComboShoppingBench组合购物基准，通过探索智能体、LLM评判者及确定性验证，发现各类LLM智能体在该基准上表现不佳，凸显其在约束感知组合购物上仍有巨大改进空间。
用大语言模型智能体改进约束模型
机构 * TU Wien（维也纳技术大学）
专题命中 Agent评测 ：agent(abstract)；autonomous agent(abstract)；agentic(abstract)；分类 cs.AI、cs.SE
AI总结 该研究提出一种基于LLM智能体的框架，通过迭代诊断修复改进约束模型，在9个组合优化问题的27个测试实例中多数表现优于原模型，部分问题求解速度提升超两个数量级，证明自主智能体方法可支持约束模型优化。
无需展开预测任务难度
机构 * Andromede AI（安卓迈德人工智能）
专题命中 Agent评测 ：agent(abstract)；function calling(abstract)；agentic(abstract)；分类 cs.CL、cs.LG
AI总结 该研究针对17个跨多领域的智能体基准，提出无需展开的任务难度预测方法，发现token级熵是有效预测信号，可通过难度残差暴露环境缺陷，助力校准基准与构建训练课程。
AgentDebugX：用于大语言模型代理中故障可观测性、归因和恢复的开源工具包
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Toronto（多伦多大学） ； Google（谷歌公司） ； Stanford University（斯坦福大学）
专题命中 Agent评测 ：agent(abstract)；workflow(abstract)；agentic(abstract)；分类 cs.AI、cs.CL
AI总结 研究大语言模型代理故障调试难题，提出开源框架AgentDebugX，其核心DeepDebug通过多轮诊断定位根源，在基准测试中表现出色，能修复更多失败任务，还通过多种方式公开工作流程并提供错误中心。
SciDiagramEdit：从论文修订中学习编辑科学图表
机构 * King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； Microsoft Research（微软研究院） ； Nanyang Technological University（南洋理工大学）
专题命中 Agent评测 ：agent(abstract)；workflow(abstract)；agentic(abstract)；分类 cs.AI、cs.CL
AI总结 研究针对科学论文图表编辑自动化的挑战，提出SciDiagramEdit框架，通过从arXiv版本历史挖掘数据，采用技能进化的智能体学习，能从自然论文修订中学习，提升编辑准确性。
Comments 20 pages
COMFYCLAW：面向图像生成工作流的自进化技能工具包
机构 * University of Maryland（马里兰大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nvidia（英伟达） ； Lehigh University（里海大学）
专题命中 Agent评测 ：agent(abstract)；workflow(abstract)；agentic(abstract)；分类 cs.AI、cs.LG
AI总结 提出COMFYCLAW框架，通过类型化图编辑、区域级VLM验证器和渐进式技能库进化，提升ComfyUI工作流构建的代理可靠性和性能，在多个基准上取得最佳平均评分。
PrivacyAlign: LLM代理的上下文隐私对齐
机构 * University of Waterloo（滑铁卢大学） ； ServiceNow AI Research（ServiceNow AI 研究） ； McGill University（麦吉尔大学） ； Mila -- Quebec AI Institute（米拉——魁北克人工智能研究所）
专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；agentic(abstract)；分类 cs.AI、cs.CL
AI总结 提出PrivacyAlign数据集，通过人类标注对齐LLM代理的隐私决策，并引入基于标注的奖励建模以提升隐私对齐性能。
衔接语义与行为：基于智能体的BERTopic主题竞争演化模型
专题命中 Agent评测 ：agent(title,abstract)
AI总结 本研究提出结合BERTopic、演化博弈论与智能体模拟的框架，揭示社交媒体主题传播的微观机制，复现真实传播趋势，为在线集体行为研究及相关应用提供支撑。
Comments 21 pages, 6 figures
面向规划的端到端自动驾驶：架构、评估与新兴范式
机构 * University of Macau（澳门大学） ； Chongqing University（重庆大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Tongji University（同济大学） ； Beihang University（北京航空航天大学）
专题命中 Agent评测 ：planning(title,abstract)
AI总结 本综述梳理了端到端自动驾驶从回归任务向面向规划系统的转变，沿四个维度整合方法，分析基准转变，指出需结合一致评估解读架构进展，并总结了多项开放性挑战。
在基于智能体的交通模拟中考虑家庭内部联合出行
专题命中 Agent评测 ：agent(title,abstract)
AI总结 该研究针对基于智能体的交通模拟忽略家庭联合出行的问题，提出三步整合方法，经巴黎数据验证可复现相关出行特征，助力更可靠评估差异化交通政策。
Comments Submission for hEART 2026 conference
StocksTalk：一种面向网络数据结构化查询生成的语音赋能对话智能体
机构 * IIIT-Delhi（德里印度信息技术学院） ； Singapore Institute of Technology（新加坡理工学院）
专题命中 Agent评测 ：agent(title)；分类 cs.AI、cs.CL、cs.LG
AI总结 StocksTalk是一种语音赋能对话系统，可将口语化金融请求转为结构化查询，通过多模块提升准确性，为股票筛选决策提供支持。
智能体模型对公交线路规划问题复杂度的影响
专题命中 Agent评测 ：agent(title,abstract)
AI总结 该研究分析公交线路规划问题的复杂度，发现智能体成本模型、是否允许智能体选择步行等因素会影响问题难度，相关结果还证明了其NP-hard性与参数化难解性。
基于核化多臂老虎机的动态委托代理问题中的自适应激励设计
专题命中 Agent评测 ：agent(title,abstract)
AI总结 本文针对动态委托代理问题的现有局限，提出引入随机效用模型的Heteroscedastic GP-UCB算法，建立了累积遗憾界，并在V2G激励设计中验证了其更优的经济性能。
SteerBench-Work：动作边界处智能体决策的基准测试
机构 * AgentDock
专题命中 Agent评测 ：agent(title)；分类 cs.AI、cs.CL、cs.LG
AI总结 本研究推出职场智能体动作边界决策基准SteerBench-Work，发现模型在该任务中存在过度拒绝的显著偏差，且通用能力与引导校准并不等同。
作为智能体可调用工具的分光双星探测：从SDSS DR19 APOGEE光谱中探测40000+主序双星候选体
专题命中 Agent评测 ：agent(title,abstract)
AI总结 本研究将分光双星探测方法打包为智能体可调用工具，从SDSS DR19 APOGEE光谱中探测出41466个SB2双星候选体，新增大量相关天体并完成多项分析，发布工具与星表。
Comments 23 pages, 16 figures, submitted to OJAp
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