AI Agent

EmoPatient: An Emotion-Directed Patient Simulator for Realistic Palliative Care Communication Training

EmoPatient：用于姑息治疗沟通训练的情绪导向患者模拟器

Yining Wu, Tianshu Du, Jinrui Fang, Chi Zhang, Sonal Admane, Ying Ding

专题命中 Agent评测 ：agent(abstract,abstract_cn)；分类 cs.AI

AI总结 研究针对现有LLM患者模拟器无法捕捉动态情绪变化的问题，提出情绪导向的EmoPatient模拟器，引入情绪指导代理生成动态情绪控制信号，经评估其在情绪真实性指标和稳健性上均优于基线，可提升姑息治疗沟通训练的真实性。

Science Edge Evaluation: SEE the Missing Step Toward Real Scientific Discovery

科学边缘评估：SEE——迈向真实科学发现的缺失环节

Taolin Han, Yuchen Zhang, Jinghang Wang, Yun Wu, Wai Yuet Chiu, Zhaohai Li, Yifei Zhang, Jinxin Wang, Yuhao Zhou, Chen Zhao, Jiajia Li, Jiaxin Li, Qile Jin, Kewei Sun, Shuang Wu, Weiqi Zhai, Renquan Lv, Junchao Li, Ruodan Chen, Qingteng Chen, Zhibo Yang, Hu Wei, Lin Qu, Shuai Bai, Bing Zhao

机构 * Alibaba Group（阿里巴巴集团） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； University of Alberta（阿尔伯塔大学） ； Zhejiang University（浙江大学） 纠错

专题命中 Agent评测 ：agent(abstract)；tool use(abstract)；分类 cs.AI

AI总结 该研究构建多模态基准SEE评估19个MLLMs，发现其仅达48.7%准确率，通用模型优于专用模型，工具使用可提至52.7%但仍难实现科学发现所需的证据约束推断，需从解释转向推导。

OPERA: Operator-residual feedback for reliable autonomous optical experiments with language-model agents

OPERA：面向语言模型智能体的可靠自主光学实验的算子残差反馈

Ning Xu, Xiang Zheng, Fuqiang Zhong, Huadong Wang, Xiaolong Wu, Zhiyuan Liu, Hui Ning

机构 * Tsinghua University（清华大学） ； ModelBest Inc.（模贝斯特公司） ； Hunan University（湖南大学） ； Northwest Institute of Nuclear Technology（西北核技术研究所） 纠错

专题命中 Agent评测 ：agent(abstract)；autonomous agent(abstract)；分类 cs.AI

AI总结 本研究提出面向语言模型智能体的OPERA算子残差框架，将实验动作表示为光学算子并结合物理解释残差评估，在三项光学任务中可减少无物理改进的决策占比，提升任务目标达成概率并降低实验预算。

Comments 34 pages, 15 figures

PAST-Bench: Benchmarking the Foundations of Recursive Self-Improvement in Personal Agents

PAST-Bench：评测个人智能体递归自我改进的基础

Shuhan Xue, Zixin Ding, Yichen Shen, Yinjie Wang, Zhenfei Yin, Yingcheng Wu, Yuxin Chen, Mengdi Wang, Ling Yang

专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；分类 cs.CL

AI总结 本研究推出PAST-Bench基准评测个人智能体递归自我改进能力，发现改进不均，在此基础上开发Hermes+提升收益，为相关研究提供评估诊断基础

Comments Code: https://github.com/Gen-Verse/PAST-Bench

Dr. AGENTONOMICS: A Didactic Experiment of AGENTONOMICS

Dr. AGENTONOMICS：AGENTONOMICS的教学实验

Fengjunjie Pan, Alois Knoll

专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；分类 cs.AI

AI总结 本研究介绍了AGENTONOMICS框架的首个应用Dr. AGENTONOMICS，将其作为教学智能体，提出其可拓展为多角色系统并探讨其对多中心AI经济的意义。

Comments Technical report, Technical University of Munich

ShiJianBench: From Dialogue to Decision for Long-Horizon Evaluation of Investment Advisors

ShiJianBench：面向投资顾问长周期评估的从对话到决策基准

Jie Gong, Maowei Jiang, Zhiwei Liu, Yang Qiao, Wenxi Wu, Mengxi Xiao, Enze Zhang, Ziyan Kuang, Yankai Chen, Caishuang Huang, Meng Zhou, Xiku Du, Xue Liu, Guojun Xiong, Min Peng, Qianqian Xie, Sophia Ananiadou

专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.CL

AI总结 该研究推出ShiJianBench离线框架，用多智能体投资者模拟器评估对话式投资顾问，发现LLM顾问在个性化内容与投资者轨迹上表现更优，凸显需开展轨迹感知评估。

PATH-Bench: Path-Dependent Evaluation of Lifelong Agents

PATH-Bench：面向终身智能体的路径依赖评估基准

Xidong Yang, Xingyi Zhang, Wenhao Li, Wenyan Liu, Junjie Sheng, Yun Hua, Wei Yin, Tao Fang, Chuyun Shen, Xiangfeng Wang

专题命中 Agent评测 ：agent(abstract)；tool-use(abstract)；分类 cs.AI

AI总结 本研究构建了面向终身智能体路径依赖评估的基准PATH-Bench，评估8个智能体后提出SEU机制，该机制可减少遗忘、提升正向迁移，为设计更优终身智能体提供指导。

MMHBench: A Multi-Perspective Benchmark for Mental Health Understanding in Long-Form Videos

MMHBench：用于长视频心理健康理解的多视角基准测试集

Jinpeng Hu, Erqiang Wang, Shan Wang, Zhuo Li, Peipei Song, Xun Yang, Meng Wang

专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出MMHBench多视角心理健康理解基准，含268个长视频与2184条问题，采用MAQG框架生成问题，评估22个多模态大语言模型后发现该任务仍具挑战性。

Mental World Modeling

心理世界建模

Hao Fei, Yiran Zhao

专题命中 Agent评测 ：agent(abstract)；planning(abstract)；分类 cs.CL

AI总结 该研究提出将心理变量作为核心组件的MWM框架，实例化为MENTIS基线，实验证明显式建模心理状态对预测人类决策至关重要，推动世界建模从物理场景模拟转向心智模拟。

Comments project website: https://mental-world.github.io/

StealthBench: Measuring Operational Stealth in Autonomous Offensive-Security Agents

StealthBench：衡量自主进攻性安全智能体的操作隐蔽性

Ads Dawson, Adrian Wood

专题命中 Agent评测 ：agent(abstract)；autonomous agent(abstract)；分类 cs.AI

AI总结 研究人员推出StealthBench基准，通过含三个LLM的评判小组评估自主进攻性安全智能体的OPSEC表现，发现无模型安全成功率超54%，证实OPSEC失败具系统性，该基准用于支持相关智能体开发与监控。

Comments 29 pages, 9 tables, 1 figure, 2 appendices. Code: https://github.com/GangGreenTemperTatum/stealthbench Dataset: https://huggingface.co/datasets/0xmoose/stealthbench Website: https://stealthbench.com

Position: Evaluation Scores Are Perishable Knowledge Claims

Position: 评估分数是易逝的知识主张

Sankalp Gilda, Shlok Gilda

机构 * DeepThought Solutions（深度思考解决方案公司） ； Meta ； University of Florida（佛罗里达大学） 纠错

专题命中 Agent评测 ：agentic(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 该研究指出语言模型评估存在信任膨胀问题，提出将评估分数视为具有形式性、范围性和有效性窗口的认知主张，建议添加元数据并采用最弱链聚合，发现HELM排行榜上两种聚合方式的前五名模型完全不重合。

Comments 7 pages, 1 figure, 1 table. Published at the Fifth Workshop on Generation, Evaluation and Metrics (GEM), ACL 2026, San Diego

Journal ref Proceedings of the Fifth Workshop on Generation, Evaluation and Metrics (GEM), ACL 2026, pages 1029-1035

NISPO: Open-source IUPAC name generation tool

NISPO：开源IUPAC名称生成工具

Nicholas T. Runcie, Fergus Imrie, Charlotte M. Deane

专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.SE

AI总结 针对化学领域IUPAC名称生成需求，该研究开发了基于RDKit、采用智能体自改进循环的开源Python工具NISPO，经SureChEMBL分子优化后，在1.03亿个PubChem分子上实现98.1%的往返准确率，可免费获取。

WorkSurface-Bench: Benchmarking Enterprise Agents on Multi-Surface Knowledge Routing

WorkSurface-Bench：在多表面知识路由上对企业代理进行基准测试

Hao Liang, Meiyi Qiang, Sizhe Qiu, Linzhuang Sun, Wentao Zhang

机构 * Peking University（北京大学） ； Zhongguancun Academy（中关村科学城） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 Agent评测 ：agent(abstract)；tool use(abstract)；分类 cs.CL

AI总结 针对企业代理整合异构知识源时表面路由能力评估不足的问题，提出WorkSurface-Bench基准测试，含多种任务且答案可审计，评估多个模型主干，揭示表面选择与任务完成关系及干预效果，并发布相关资源。

SIREN: Towards End-to-End Extreme-Weather Early Warning with Experience-Grounded LLM Agents

SIREN：借助基于经验的大语言模型智能体实现端到端极端天气预警

Hang Ni, Weijia Zhang, Fan Liu, Mengqian Lu, Hao Liu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） ； The World Sustainable Development Institute（世界可持续发展研究所） 纠错

专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI

AI总结 研究借助大语言模型智能体实现端到端极端天气预警。开发了包含多任务问答实例的SIREN-Bench基准，发现现有框架差距后，构建基于经验的SIREN框架，结合多种技术，实验证明其在预警程序和预警链上优于基线。

HERMES: Heterogeneous Edge-Relational Multi-Head Embedded SSM Attention for Traffic Conflict Prediction at Signalized Intersections

HERMES：用于信号交叉口交通冲突预测的异构边缘关系多头嵌入式SSM注意力模型

Md Monzurul Islam, Subasish Das

专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.LG

AI总结 研究针对交通冲突预测，提出HERMES异构边缘关系图神经网络，利用特定关系注意力等方法，在多指标上表现优异，优于基线模型，联合训练提升目标站点性能，为信号交叉口路边安全监测提供支持。

Building Trust in Autonomous Commerce: A Verifiable Global Event Timeline and AI-Ready Fraud Intelligence Layer

在自主商业中建立信任：可验证的全球事件时间线和支持人工智能的欺诈情报层

Rajat Srivastava

专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI

AI总结 研究为智能商业提出可验证全球事件时间线，由规范事件模式等四组件构成，还引入欺诈标记和数据集谱系模型。原型实现实证结果显示，其在处理事件速度、验证时间、证明大小及验证性能上有优势。

Comments 18 pages, 4 tables, 1 figure. Preprint also available on Zenodo: https://doi.org/10.5281/zenodo.19060285

Predictive single cell foundation model for gene regulation and aging with privacy-preserving tabular learning

用于基因调控和衰老的具有隐私保护表格学习的预测性单细胞基础模型

Jiayuan Ding, Jianhui Lin, Ziyang Miao, Nils Mechtel, Shiyu Jiang, Yixin Wang, Zhaoyu Fang, Jorge D. Martin-Rufino, Chen Weng, Reuben Saunders, Weize Xu, Jonathan S. Weissman, Min Li, Jiliang Tang, Wei Ouyang, Yuancheng Ryan Lu, Xiaojie Qiu

专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；分类 cs.LG

AI总结 研究针对单细胞数据独特表格结构及隐私问题，提出用联邦学习设计的Tabula模型，开发Chiron平台。该模型在下游基准测试表现出色，揭示调控逻辑，提名年轻化因子，推动单细胞基础建模发展，迈向隐私保护虚拟细胞。

Comments 98 pages, 4 main figures, and 15 supplementary figures

Do AI-Native Biotechs Need Departments? Benchmarking Company World Models for AI-Driven Drug Development

人工智能原生生物技术公司需要部门吗？人工智能驱动药物研发的公司世界模型基准测试

Yinan Wang

机构 * Noah AI Research（诺亚人工智能研究） 纠错

专题命中 Agent评测 ：agent(abstract)；planning(abstract)；分类 cs.AI

AI总结 研究人工智能原生生物技术公司组织模式，提出公司世界模型，用含45个案例的虚拟实验室基准测试，比较多种架构，发现价值转换架构表现优，核心操作原语应是资产到价值状态而非静态组织结构图，不过研究仅限虚拟实验室。

Comments Working paper. Includes public no-label benchmark cases and dry-lab evaluation artifacts. No wet-lab, patient-level, clinical, regulatory, or investment validation is claimed

Beyond Resolved Rate: A Non-Functional Quality Study

超越解决率：非功能性质量研究

Xin Sun, Daniel Ståhl, Kristian Sandahl, Christoph Kessler

专题命中 Agent评测 ：agent(abstract,abstract_cn)；分类 cs.SE

AI总结 研究对比新旧模型在存储库级修复任务中生成补丁的非功能性质量，通过两个案例研究，用CodeQL等工具评估，发现新模型解决实例更多，但非功能性指标无一致改善，旨在推动对模型软件工程能力的全面评估。

SGA: Plug&Play Geometric Verification for Educational Video Synthesis

SGA：用于教育视频合成的即插即用几何验证

Lopez Jhon, Hinojosa Carlos, Ghanem Bernard

机构 * Universidad Industrial de Santander（桑坦德工业大学） ； King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学） 纠错

专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI

AI总结 研究针对教育视频合成中空间正确性和视觉清晰度难题，提出符号几何智能体SGA，通过拦截代码、提取场景图及针对性优化提升质量，引入MVQS，实验显示其在多配置下有效提升了视觉质量分数。

Salience Induction against Multi-Hop RAG Agents: Threat and Defense

针对多跳检索增强生成智能体的显著性诱导：威胁与防御

Xingfu Zhou, Pengfei Wang, Yuan Zhou, Wei Xie, Xu Zhou

机构 * National University of Defense Technology（国防科技大学） 纠错

专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.CL

AI总结 研究多跳检索增强生成智能体面临的新攻击面——显著性通道，提出显著性诱导方法并定义操作符类，构建管道，引入基准。通过实验评估多种模型和架构，展示该方法有效性，强调智能体RAG需防御显著性 - 相关性解耦。

Comments 18 pages, 4 figures, 12 tables

Expected Free Energy as Belief-Dependent Utility for rho-POMDPs

作为rho-POMDPs中信念依赖效用的期望自由能

Patrick Cooper, Alvaro Velasquez

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

专题命中 Agent评测 ：agent(abstract)；planning(abstract)；分类 cs.AI

AI总结 研究在部分可观测性下智能体信息收集决策问题，核心方法是用主动推理最小化期望自由能，此方法被证明等同于求解特定rho-POMDP，实验表明该方法在多种环境中表现良好，能提供基于信念的效用，避免过度探索。

Comments 41 pages, 12 figures. Paper accepted as a spotlight at the 2026 International Workshop on Active Inference (IWAI); the workshop version will appear in the Springer Communications in Computer and Information Science (CCIS) series. Code and experiment data at https://github.com/PatrickAllenCooper/rho_aif

CIPHER: A Decoupled Exploration-Selection Framework for Test-Time Scaling of Data Science Agents

CIPHER：用于数据科学智能体测试时扩展的解耦探索-选择框架

Maxime Heuillet, Sharadind Peddiraju

机构 * Amazon Web Services（亚马逊网络服务公司） 纠错

专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；分类 cs.AI

AI总结 研究针对数据科学任务自动化挑战，提出CIPHER智能体，通过生成和选择多初始状态实现测试时扩展，解耦生成与选择过程。经实验验证其性能超越现有技术，刻画DES框架设计空间并给出设计建议。

Reinforcement Learning for Execution under Dynamic Fees in a Closed-Loop DEX Simulator

在闭环去中心化交易所模拟器中基于动态费用的执行强化学习

Wen-Ting Wang

专题命中 Agent评测 ：agent(abstract)；planning(abstract)；分类 cs.LG

AI总结 研究在闭环去中心化交易所模拟器中，针对动态费用下的执行问题，采用构建最小闭环模拟器及小深度Q网络的方法，得出该方法能减少执行缺口，且优势集中在动态费用环境中的结论。

AgentAbstain: Do LLM Agents Know When Not to Act?

AgentAbstain：基于大语言模型的智能体知道何时不行动吗？

Xun Liu, Yi Evie Zhang, Vira Kasprova, Parisa Rabbani, Pardis Sadat Zahraei, Tianyu Zhang, Ali Ebrahimpour-Boroojeny, Varun Chandrasekaran

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI

AI总结 研究基于大语言模型的智能体何时应弃权的问题，提出AgentAbstain评估框架及AbstainGen全自动管道，通过配对任务基准测试多种前沿LLMs，发现弃权能力与任务解决能力无关，并识别出失败模式，代码和数据集开源。

Comments 56 pages, 13 figures

PHITSBench: an execution-scored benchmark for AI-assisted PHITS radiation-transport input generation using natural language

PHITSBench：用于使用自然语言生成人工智能辅助的PHITS辐射传输输入的执行评分基准

Xianglin Ji, Svetlana V. Boriskina

机构 * MIT（麻省理工学院） 纠错

专题命中 Agent评测 ：workflow(abstract)；agentic(abstract)；分类 cs.AI

AI总结 介绍用于PHITS辐射传输输入生成的PHITSBench基准，涵盖三类任务。评估五种基于GPT - 5.4的配置，无特定知识时模型在编辑和修复任务表现好，Reproduce任务差。知识目录和智能体执行可提升成功率，结果显示建模进展依赖多方面因素。

TypeGo: An OS Runtime for Embodied Agents

TypeGo：一种用于具身智能体的操作系统运行时

Guojun Chen, Alex Schott, Lin Zhong

机构 * Yale University（耶鲁大学） 纠错

专题命中 Agent评测 ：agent(abstract)；planning(abstract)；分类 cs.SE

AI总结 研究针对具身智能体大语言模型规划与实时控制等的矛盾，提出TypeGo运行时，将基于大语言模型的规划构建为异步循环，管理智能体物理身体，通过自然语言指令编程，能降低延迟并支持并发任务，提供了初步设计证据。

Toward Trustworthy Large Language Model Agents in Healthcare

迈向医疗保健领域值得信赖的大语言模型智能体

Hadi Hasan, Safaa Salman, Adam Tai Abou Dargham, Ammar Mohanna, Ali Chehab

专题命中 Agent评测 ：agent(abstract)；function calling(abstract)；分类 cs.AI

AI总结 针对医疗预约调度瓶颈，提出CareConnect智能体，利用大语言模型函数调用等技术，协调工具支持预约操作，设安全护栏。经评估有高任务完成率、安全合规性及成本效益，能自动化复杂医疗工作流程。

APeB: Benchmarking Personalization Ability of Large Language Model Agents

APeB：大型语言模型智能体个性化能力基准测试

Garry Yang, Zizhe Chen, Xinru Chen, Yongqiang Chen, Jianxiang Wang, Deyu Zou, Linyi Ding, Jialiang Wu, Yunzhong He, Yu Gong, James Cheng, Huaixiao Tou

机构 * The Chinese University of Hong Kong（香港中文大学） ； ByteDance（字节跳动） 纠错

专题命中 Agent评测 ：agent(abstract)；agentic(abstract)；分类 cs.AI

AI总结 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。

Comments NA

Human-Centric Reflective Architecture for Human-AI Collaborative Decision-Making

用于人类与人工智能协作决策的以人类为中心的反思架构

Andreas Kouridakis, Dimitrios Patiniotis Spyropoulos, George Vouros

机构 * University of Piraeus（比雷埃夫斯大学） 纠错

专题命中 Agent评测 ：agent(abstract)；AI agent(abstract)；分类 cs.AI

AI总结 研究人类与人工智能协作决策问题，将其建模为随机博弈，提出以人类为中心的反思架构，整合人类校准模型与强化学习智能体，提升决策有效性并给出高质量建议。