AI Agent

A Differential Perspective on Distributional Reinforcement Learning

分布强化学习的微分视角

Juan Sebastian Rojas, Chi-Guhn Lee

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

AI总结 本文从微分视角扩展分布强化学习至平均奖励设置，提出首个能有效学习长期每步奖励分布和微分回报分布的算法，并展示其在性能和信息捕捉方面的优势。

Comments In AAAI Conference on Artificial Intelligence 2026

MedEinst: Benchmarking the Einstellung Effect in Medical LLMs through Counterfactual Differential Diagnosis

MedEinst：通过反事实差异诊断基准测试医疗大语言模型中的Einstellung效应

Wenting Chen, Zhongrui Zhu, Guolin Huang, Wenxuan Wang

机构 * Stanford University（斯坦福大学） ； Xi’an Jiaotong University（西安交通大学） ； Shenzhen University（深圳大学） ； Renmin University of China（中国人民大学） 纠错

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

AI总结 MedEinst通过反事实差异诊断基准测试，揭示医疗大语言模型中的Einstellung效应，并提出ECR-Agent提升循证医学标准。

Comments 19 pages, 7 figures

Stephanie2: Thinking, Waiting, and Making Decisions Like Humans in Step-by-Step AI Social Chat

Stephanie2：在步骤式AI社交聊天中像人类一样思考、等待和做决定

Hao Yang, Hongyuan Lu, Dingkang Yang, Wenliang Yang, Peng Sun, Xiaochuan Zhang, Jun Xiao, Kefan He, Wai Lam, Yang Liu, Xinhua Zeng

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

AI总结 Stephanie2通过主动等待和信息节奏适应，实现了更自然的步骤式AI社交聊天，实验显示其在自然度和参与度等指标上优于前代系统。

Comments 13 pages

Exploration Through Introspection: A Self-Aware Reward Model

反思中的探索：一种自知奖励模型

Michael Petrowski, Milica Gašić

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

AI总结 本文提出一种基于反思的奖励模型，通过模拟疼痛信号探索自我意识对强化学习代理学习能力的影响，并展示了其在复杂行为复制中的优势。

Comments Accepted at AAAI-26 ToM4AI Workshop

Personality-Enhanced Social Recommendations in SAMI: Exploring the Role of Personality Detection in Matchmaking

在SAMI中融入人格因素的社会推荐：探索人格检测在匹配中的作用

Brittany Harbison, Samuel Taubman, Travis Taylor, Ashok. K. Goel

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

AI总结 本文提出利用GPT零样本能力推断大五人格特质，整合至SAMI社交推荐系统，探索人格检测对社交匹配的影响。

Comments Preprint. Appears in INTED 2026

Learning Optimal Defender Strategies for CAGE-2 using a POMDP Model

基于POMDP模型学习CAGE-2的最优防御策略

Duc Huy Le, Rolf Stadler

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

AI总结 本文提出BF-PPO方法，基于POMDP模型高效学习CAGE-2的最优防御策略，优于现有最高排名方法CARDIFF。

Comments The paper is accepted for the 21st International Conference on Network and Service Management (CNSM-2025) and the official version is published in the conference proceedings

Beyond Perfect APIs: A Comprehensive Evaluation of LLM Agents Under Real-World API Complexity

超越完美API：对LLM代理在现实API复杂性下的全面评估

Doyoung Kim, Zhiwei Ren, Jie Hao, Zhongkai Sun, Lichao Wang, Xiyao Ma, Zack Ye, Xu Han, Jun Yin, Heng Ji, Wei Shen, Xing Fan, Benjamin Yao, Chenlei Guo

机构 * Amazon（亚马逊公司） ； KAIST（韩国科学技术院） ； University of Pittsburgh（匹兹堡大学） ； 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)；分类 cs.AI、cs.CL

AI总结 本文提出WildAGTEval基准测试，用于评估LLM代理在现实API复杂性下的功能调用能力，发现无关信息复杂性显著降低强LLM性能并影响用户满意度。

Comments 26 pages

Yahtzee: Reinforcement Learning Techniques for Stochastic Combinatorial Games

Yahtzee：用于随机组合游戏的强化学习技术

Nicholas A. Pape

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

AI总结 本文提出使用强化学习技术解决随机组合游戏Yahtzee的多人策略问题，通过A2C方法在有限预算下达到接近最优性能，但其他方法在超参数敏感性和长期信用分配方面存在挑战。

Comments 20 pages, 19 figures

PrivacyBench: A Conversational Benchmark for Evaluating Privacy in Personalized AI

PrivacyBench: 一个用于评估个性化AI隐私的对话基准

Srija Mukhopadhyay, Sathwik Reddy, Shruthi Muthukumar, Jisun An, Ponnurangam Kumaraguru

机构 * International Institute of Information Technology Hyderabad（国际信息科技研究所（海得拉巴）） ； Indiana University（印第安纳大学） 纠错

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

AI总结 PrivacyBench通过多轮对话评估揭示RAG助手在隐私保护上的缺陷，指出需结构性隐私保障措施以确保伦理网络环境。

Comments 11 pages, 2 figures

Drift-Based Dataset Stability Benchmark

基于漂移的数据集稳定性基准

Dominik Soukup, Richard Plný, Daniel Vašata, Tomáš Čejka

机构 * Czech Technical University in Prague（捷克技术大学布拉格分校） ； CESNET 纠错

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

AI总结 本文提出了一种基于概念漂移检测的方法，用于评估数据集稳定性并提供基准工作流程，以比较不同数据集的稳定性及优化影响。

Comments 9 pages

Break Out the Silverware -- Semantic Understanding of Stored Household Items

拿出银器——对存储家居物品的语义理解

Michaela Levi-Richter, Reuth Mirsky, Oren Glickman

机构 * Bar Ilan University, Computer Science Department（巴伊兰大学计算机科学系） ； Tufts University, Department of Computer Science（塔夫茨大学计算机科学系） 纠错

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

AI总结 本研究提出NOAM模型，通过结合结构化场景理解和大语言模型推理，实现对家庭物品存储位置的语义理解，显著提升预测准确率并接近人类水平。

Comments Poster presented at the Israeli Seminar on Computational Linguistics 2025

Dictionary Learning: The Complexity of Learning Sparse Superposed Features with Feedback

字典学习：通过反馈学习稀疏叠加特征的复杂性

Akash Kumar

机构 * Department of Computer Science \& Engineering, University of California, San Diego, USA 纠错

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

AI总结 通过反馈机制，研究在稀疏设置下学习字典特征的复杂性，并验证了理论结果在特征恢复和字典提取中的有效性。

Comments ICML'25, 35 pages

Introducing TrGLUE and SentiTurca: A Comprehensive Benchmark for Turkish General Language Understanding and Sentiment Analysis

引入TrGLUE和SentiTurca：土耳其通用语言理解与情感分析的综合基准

Duygu Altinok

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出TrGLUE和SentiTurca两个土耳其语综合基准，用于评估自然语言理解和情感分析能力，通过半自动化流程构建高质量数据集，支持研究人员进行模型微调和评估。

Comments under review by Springer

SlideTailor: Personalized Presentation Slide Generation for Scientific Papers

SlideTailor: 科学论文个性化演示文稿生成

Wenzheng Zeng, Mingyu Ouyang, Langyuan Cui, Hwee Tou Ng

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

AI总结 SlideTailor通过用户指定的偏好生成个性化科学论文演示文稿，结合人类行为启发的代理框架和语音链机制，提升生成质量与应用效果。

Comments AAAI 2026 (with appendix)

QoS-Aware Dynamic CU Selection in O-RAN with Graph-Based Reinforcement Learning

基于图的强化学习的O-RAN中服务质量感知的动态CU选择

Sebastian Racedo, Brigitte Jaumard, Oscar Delgado, Meysam Masoudi

机构 * Concordia University（康科迪亚大学） 纠错

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

AI总结 本文提出基于图的强化学习方法，实现O-RAN中动态CU选择以降低能耗并满足服务质量约束。

Auto-Prompting with Retrieval Guidance for Frame Detection in Logistics

基于检索引导的自动提示法用于物流帧检测

Do Minh Duc, Quan Xuan Truong, Nguyen Tat Dat, Nguyen Van Vinh

机构 * Faculty of Information Technology, VNU University of Engineering and Technology（信息技术学院，越南工程大学） 纠错

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

AI总结 本文提出基于检索引导的自动提示法，通过优化提示提升物流文本帧检测的准确性和效率。

Verifiability-First Agents: Provable Observability and Lightweight Audit Agents for Controlling Autonomous LLM Systems

可验证性优先代理：可证明的可观测性和轻量级审计代理用于控制自主大语言模型系统

Abhivansh Gupta

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

AI总结 本文提出了一种以可验证性为核心的代理架构，通过加密和符号方法实现运行时认证，嵌入轻量级审计代理并采用挑战-响应协议，以提高自主大语言模型系统的可控性和可审计性。

Needle in the Web: A Benchmark for Retrieving Targeted Web Pages in the Wild

网络中的针：评估在真实世界中检索和推理网页的基准测试

Yumeng Wang, Tianyu Fan, Lingrui Xu, Chao Huang

机构 * Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） 纠错

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

AI总结 Needle in the Web 是一个评估现代搜索代理和LLM在模糊探索性查询中检索和推理真实网页能力的基准测试，揭示了当前搜索系统在处理模糊性和复杂性时的挑战。

Comments Data and code are available at https://github.com/Tango-Whiskyman/Needle_in_the_Web

Beyond Training: Enabling Self-Evolution of Agents with MOBIMEM

超越训练：通过MOBIMEM实现智能体的自我进化

Zibin Liu, Cheng Zhang, Xi Zhao, Yunfei Feng, Bingyu Bai, Dahu Feng, Erhu Feng, Yubin Xia, Haibo Chen

机构 * Institute of Parallel and Distributed Systems, Shanghai Jiao Tong University（并行与分布式系统研究所，上海交通大学） 纠错

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

AI总结 MOBIMEM通过引入内存原语和操作系统启发的服务，实现了无需模型重训练的智能体自我进化，显著提升了任务成功率和效率。

Audio MultiChallenge: A Multi-Turn Evaluation of Spoken Dialogue Systems on Natural Human Interaction

音频多挑战：对语音对话系统在自然人类交互中的多轮评估

Advait Gosai, Tyler Vuong, Utkarsh Tyagi, Steven Li, Wenjia You, Miheer Bavare, Arda Uçar, Zhongwang Fang, Brian Jang, Bing Liu, Yunzhong He

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

AI总结 Audio MultiChallenge通过多轮交互评估语音对话系统在自然对话中的表现，揭示模型在多轮对话、语音修复和长上下文处理上的挑战。

MedInsightBench: Evaluating Medical Analytics Agents Through Multi-Step Insight Discovery in Multimodal Medical Data

MedInsightBench: 通过多步骤洞察发现评估医疗分析代理在多模态医疗数据中的能力

Zhenghao Zhu, Chuxue Cao, Sirui Han, Yuanfeng Song, Xing Chen, Caleb Chen Cao, Yike Guo

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； ByteDance（字节跳动） 纠错

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

AI总结 MedInsightBench通过多步骤洞察发现评估医疗分析代理在多模态医疗数据中的能力，提出MedInsightAgent框架提升医疗数据洞察发现性能。

Forgetful but Faithful: A Cognitive Memory Architecture and Benchmark for Privacy-Aware Generative Agents

忘却却忠实：一种认知记忆架构与隐私意识生成代理的基准测试

Saad Alqithami

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

AI总结 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。

Benchmarking AI Models in Software Engineering: A Review, Search Tool, and Unified Approach for Elevating Benchmark Quality

在软件工程中评估AI模型：一项综述、搜索工具和统一方法以提高基准质量

Roham Koohestani, Philippe de Bekker, Begüm Koç, Maliheh Izadi

机构 * EEMCS faculty, Delft University of Technology（代尔夫特理工大学EEMCS学院） 纠错

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

AI总结 本文提出BenchScout和BenchFrame，通过统一框架提升软件工程AI模型的基准质量，改进现有基准并验证其有效性。

Comments Accepted for publication in IEEE Transactions on Software Engineering

Marti-5: A Mathematical Model of "Self in the World" as a First Step Toward Self-Awareness

Marti-5：作为自我意识第一步的‘自我在世界’的数学模型

Igor Pivovarov, Sergey Shumsky

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

AI总结 Marti-5模型通过区分自我与环境，提出自我意识的必要条件，用于预测和决策的强化学习代理在虚拟环境中成功学习游戏。

Comments 21 pages, 2 figures, 2 videos, 1 table

Learning When to Ask: Simulation-Trained Humanoids for Mental-Health Diagnosis

学习何时提问：为心理健康诊断训练的仿真 humanoid

Filippo Cenacchi, Deborah Richards, Longbing Cao

机构 * Macquarie University（麦考瑞大学） 纠错

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

AI总结 本文提出了一种基于仿真的方法，通过训练人形机器人以更有效地进行心理健康诊断，利用反事实回放和安全学习循环提升对话节奏和关系建立。

Test-driven Reinforcement Learning in Continuous Control

连续控制中的测试驱动强化学习

Zhao Yu, Xiuping Wu, Liangjun Ke

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

AI总结 本文提出测试驱动强化学习框架，通过多测试函数替代传统奖励函数，简化任务定义并提升多目标优化能力。

Comments AAAI 2026 oral

Procrustean Bed for AI-Driven Retrosynthesis: A Unified Framework for Reproducible Evaluation

AI驱动的逆合成回溯的普罗克鲁斯床：可重复评估的统一框架

Anton Morgunov, Victor S. Batista

机构 * Yale University（耶鲁大学） 纠错

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

AI总结 本文提出RetroCast框架，通过标准化评估基础设施，揭示了基于搜索和序列的方法在可解性与路线质量上的差异，并释放了标准化数据库以促进可重复发展。

Comments 11 pages + 7 pages of SI. RetroCast is available on GitHub, see https://github.com/ischemist/project-procrustes. SynthArena is publicly available, see https://syntharena.ischemist.com/

KANFormer for Predicting Fill Probabilities via Survival Analysis in Limit Order Books

KANFormer通过生存分析在限价订单簿中预测成交概率

Jinfeng Zhong, Emmanuel Bacry, Agathe Guilloux, Jean-François Muzy

机构 * LIASD – Université Paris 8, 93200 Saint-Denis（巴黎第八大学LIASD） ； Ceremade, CNRS-UMR 7534, Université Paris-Dauphine PSL（巴黎第十一大学PSL Ceremade） ； Inria, Université Paris Cité, Inserm, HeKA (UMR 1346)（Inria巴黎城市大学、法国国家医学研究院、HeKA（UMR 1346）） ； Laboratoire ``Sciences Pour l'Environnement'' UMR 6134 CNRS - Université de Corse - Campus Grimaldi（环境科学实验室（UMR 6134 CNRS）- 科尔索大学-格拉马迪校区） 纠错

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

AI总结 KANFormer通过结合市场信号与神经网络架构，实现对限价订单簿成交概率的准确预测。

Adaptive Torque Control of Exoskeletons under Spasticity Conditions via Reinforcement Learning

通过强化学习实现脊髓病变条件下外骨骼的自适应扭矩控制

Andrés Chavarrías, David Rodriguez-Cianca, Pablo Lanillos

机构 * Neuro AI and Robotics Group（神经人工智能与机器人组） ； Cajal International Neuroscience Center（卡贾尔国际神经科学中心） ； Spanish National Research Council（西班牙国家研究理事会） ； Rey Juan Carlos University (URJC)（雷奥恩卡洛斯大学（URJC）） 纠错

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

AI总结 本文提出了一种基于深度强化学习的膝外骨骼自适应扭矩控制器，通过数字双胞胎训练，有效降低痉挛状态下人体关节扭矩和交互力。

Comments Accepted for publication in IEEE 19th International Conference on Rehabilitation Robotics (ICORR2025)

Journal ref International Conference On Rehabilitation Robotics : [Proceedings]. 705-711 - 2025-01-01

When Robots Should Say "I Don't Know": Benchmarking Abstention in Embodied Question Answering

机器人何时应说'我不知道'：身体化问答中退避的基准测试

Tao Wu, Chuhao Zhou, Guangyu Zhao, Haozhi Cao, Yewen Pu, Jianfei Yang

机构 * Nanyang Technological University（南洋理工大学） ； Peking University（北京大学） 纠错

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

AI总结 本文研究了身体化问答中退避机制的重要性，通过构建AbstainEQA数据集，发现人类在退避任务中表现优异，而模型退避能力有限。