AI Agent

INS-ActBench: A Comprehensive Benchmark for Assessing Professional Actuarial Capability of Large Language Models

INS-ActBench：一个用于评估大语言模型专业精算能力的综合基准

Changyu Chen, Chenwei Lin, Xian Xu

机构 * Fudan University（复旦大学） 纠错

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

AI总结 介绍INS-ActBench这一综合基准评估大语言模型专业精算能力，含12050个问答对及三个子集，通过实验揭示前沿大语言模型在不同方面的能力表现，为精算大语言模型开发提供可重复基础。

Comments 18 pages, including appendices; 11 figures and 12 tables

SeekJudge: A Practical Reward Framework for Reinforcement Learning in Computer-Use Agents

SeekJudge：计算机使用智能体强化学习的实用奖励框架

Yang Wan, Zhenhao Zhang, Jierui Wang, Linchao Zhu

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

AI总结 针对计算机使用智能体强化学习中轨迹指令判断问题，提出SeekJudge框架，通过四个智能体循环裁决，用种子校准蒸馏管道训练共享主干模型，该框架在在线RL中匹配或超原生规则监督，还有诸多优势并改进奖励服务器，使模型奖励成实用替代品。

When Less Is More: A Controlled Benchmark of Lightweight CNNs for Satellite Land-Cover Segmentation on DeepGlobe

少即是多：用于DeepGlobe卫星土地覆盖分割的轻量级卷积神经网络的受控基准测试

Atiq Ur Rehman, Joseph Michael Donovan

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

AI总结 研究在DeepGlobe数据集上比较VGG16等五种架构用于卫星土地覆盖分割，经三个迭代分离相关因素，采用相同预处理等协议。结果显示MobileNetV2_v1表现优，轻量级迁移学习模型在资源受限遥感环境中可匹配或超越更深模型，利于土地覆盖映射。

Comments 18 Figures, 8 Tables & 33 Pages

Synthetic Scenario Generation for Evaluation of Industry 4.0 Agents

用于工业4.0智能体评估的合成场景生成

Sagar Chethan Kumar, Rohith Kanathur, Dhaval Patel, Kaoutar El Maghraoui

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

AI总结 研究针对工业智能体基准测试场景有限问题，扩展AssetOpsBench并引入ScenarioGeneratorAgent管道，通过多种优化方式提高可扩展性，实现智能电网变压器场景生成的高效优化，有效扩展工业智能体基准测试且保证场景质量。

Comments 19 pages, 3 appendices

PhononBench-MP40: a spectrum-resolved benchmark dataset for phonon stability

PhononBench-MP40：用于声子稳定性的光谱分辨基准数据集

Wen-Kao Li, Ze-Feng Gao, Zhong-Yi Lu

机构 * School of Physics and Key Laboratory of Quantum State Construction and Manipulation (Ministry of Education), Renmin University of China（中国人民大学物理学院及量子态构建与调控教育部重点实验室） 纠错

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

AI总结 研究针对计算材料筛选中虚声子模式瓶颈，提出PhononBench-MP40数据集，源于47969个MP40任务，含4类记录。通过科学数据银行公开，配套GitHub仓库提供代码等，为相关研究提供可审计参考。

Comments 18 pages, 3 figures, includes Supplementary Information

JETO-Bench: A Reproducible Benchmark for Execution Time Improvement Patches in Java

JETO-Bench: Java执行时间改进补丁的可复现基准测试

Khashayar Etemadi, Zhendong Su

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

AI总结 提出JETO-Mine工具，通过静态分析、动态分析和评估框架自动构建可复现的Java执行时间改进补丁基准，并构建包含660个补丁的JETO-Bench，验证了其有效性。

Coherent Without Grounding, Grounded Without Success: Observability and Epistemic Failure

无需基础的协调，协调的无需成功：可观测性与认知失败

Camilo Chacón Sartori

机构 * Institut Català de Nanociència i Nanotecnologia (ICN2)（加泰罗尼亚纳米科学与纳米技术研究所（ICN2）） ； Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC）） 纠错

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

AI总结 本文探讨了大型语言模型在低可观测性和高可观测性领域中协调与基础的分离现象，提出认知三角模型以评估人工智能代理的认知能力。

Comments Error found in some results. I need to correct it before re-uploading

OpenAIs HealthBench in Action: Evaluating an LLM-Based Medical Assistant on Realistic Clinical Queries

OpenAIs HealthBench in Action: 评估基于LLM的医疗助手在真实临床查询中的表现

Sandhanakrishnan Ravichandran, Shivesh Kumar, Rogerio Corga Da Silva, Miguel Romano, Reinhard Berkels, Michiel van der Heijden, Olivier Fail, Valentine Emmanuel Gnanapragasam

机构 * OpenAI 纠错

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

AI总结 DR.INFO在HealthBench基准测试中表现优异，优于多个前沿LLM，在复杂临床查询中展现出高准确性和情境感知能力。

Comments 13 pages, two graphs

The Regression Tax: Decomposing Why Skills Help and Hurt LLM Agents

回归税：剖析技能对大语言模型智能体产生帮助和伤害的原因

Darshan Tank, Baran Nama

机构 * Sentient Labs（森蒂恩实验室） 纠错

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

AI总结 研究剖析大语言模型智能体中技能产生帮助和伤害的原因，通过对比实验区分回归和残余失败两种结果，识别出回归的三个原因，发现现有技能过度强调程序指导，指出应分解技能净效应评估，还识别出应避免的回归模式及可靠性的关键因素。

SceneActBench: Can Agents Act on the 3D Scenes They See?

SceneActBench：智能体能否对其所看到的3D场景采取行动？

Yifei Zhao, Xiangxin Zhou, Wenhao Yang, Jiaqi Tang, Pu Jian, Huanjin Yao, Jiarui Yao, Haowei Lin, Chunchao Guo, Zhuo Chen, Wenkai Lyu, Jianzhu Ma, Xueqian Wang, Wenxi Zhu

机构 * Tencent Hunyuan（腾讯混元） ； THU（清华大学） ； NJU（南京大学） ； HKUST（香港科技大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； PKU（北京大学） 纠错

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

AI总结 研究视觉语言模型智能体在3D场景行动能力，提出SceneActBench基准测试，涵盖五个3D任务，通过特定指标评估智能体输出，分析不同配置得分及失败情况，为评估智能体在多对象3D场景行动提供依据。

Adjustment Speed as a Safety Constraint for Nonstationary Reinforcement Learning

作为非平稳强化学习安全约束的调整速度

Timothy Tomashevskiy

机构 * McMaster University（麦克马斯特大学） 纠错

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

AI总结 研究非平稳强化学习中的安全问题，提出以调整速度为安全约束，用上下文表示和预测估计适应需求，与智能体适应能力比较，超限时收紧动作集并激活屏蔽，实验验证该方法可减少安全违规，支持适应可行性原则。

Comments 15 pages, 5 figures, 2 tables. Preprint

NVIDIA OmniDreams: Real-Time Generative World Model for Closed-Loop Autonomous Vehicle Simulation

NVIDIA OmniDreams：用于闭环自动驾驶仿真的实时生成式世界模型

NVIDIA, :, Aarti Basant, Amlan Kar, Despoina Paschalidou, Fangyin Wei, Francesco Ferroni, Guillermo Garcia Cobo, Haithem Turki, Huan Ling, Jaewoo Seo, James Lucas, Jay Zhangjie Wu, Jialiang Wang, Jonathan Lorraine, Jun Gao, Kai He, Katarina Tothova, Kevin Xie, Michał Tyszkiewicz, Qi Wu, Riccardo de Lutio, Ruilong Li, Sanja Fidler, Seung Wook Kim, Tianchang Shen, Tianshi Cao, Tobias Pfaff, William Lew, Xindi Wu, Xuanchi Ren, Yifan Lu, Yuxuan Zhang, Zan Gojcic, Zian Wang

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

AI总结 提出OmniDreams，一个基于Cosmos扩散模型训练的基础生成式世界模型，通过自回归生成动作条件视频，实现闭环仿真中复杂长尾场景的实时合成，并验证其在策略模型训练中的有效性。

Same World, Differently Given: History-Dependent Perceptual Reorganization in Artificial Agents

同一世界，不同给定：人工智能代理中的历史依赖性感知重组

Hongju Pae

机构 * Active Inference Institute（主动推理研究所） 纠错

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

AI总结 本文提出了一种最小架构，通过反馈的慢视角潜在变量g实现感知重组，使相同观察在不同历史下编码不同，验证了适应性自调节在代理历史依赖性视角组织中的作用。

VoLN: Vision-Only Long-Horizon Navigation---Paradigm, Benchmark, and Method

VoLN：仅视觉的长距离导航——范式、基准和方法

Jiabin Lou, Haopeng Wang, Yuanshuai Wang, Xinyu Liu, Xuxin Lv, Yuxin Guo, Lei Huang, Rongye Shi, Wenjun Wu

机构 * Beihang University（北京航空航天大学） ； Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院） 纠错

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

AI总结 研究提出仅视觉的长距离导航（VoLN）范式，通过VoLN-UAV基准及VoLN-MLLM基线进行实例化。在五个环境测试未见分割中评估，揭示了长距离导航在证据整合、目标匹配和闭环稳定性方面的挑战。

Comments 10 pages, 7 figures, 2 tables. Project page: https://admire-ljb.github.io/VoLN-UAV/

Traceable Scholarship: Page Anchors and Ariadne's Thread for Humanistic Inquiry in the Age of Generative AI

可追溯的学术研究：生成式人工智能时代人文探究的页面锚点与阿里阿德涅之线

Deyu Jing

机构 * Fudan University（复旦大学） 纠错

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

AI总结 针对生成式人工智能时代人文研究中解释缺乏明确依据的问题，提出可追溯学术研究，介绍页面锚点等方法及AIH-Infra参考实现，通过案例研究展示其作用，确保人文研究在该时代保持公开可反驳。

Comments 33 pages, 8 tables. This paper proposes a normative and infrastructural framework for traceable, AI-assisted humanistic research and presents an auditable Kant case study

LegalCiteTrust: Benchmarking Citation Trustworthiness in Chinese Long-Form Legal Research Reports

LegalCiteTrust：评估中文长篇法律研究报告中引用可信度的基准

Yunhan Li, Mingjie Xie, Zeyang Shi, Gengshen Wu, Min Yang

机构 * Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Southern University of Science and Technology（南方科技大学） 纠错

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

AI总结 研究旨在评估中文长篇法律研究报告引用可信度，引入LegalCiteTrust基准，含72个任务并从三个维度评估。通过实验发现不同系统表现各异，检索工具与基于E/F/A的修订效果不同，强调可靠法律研究生成需检索后的引用感知证据治理。

Comments 8 pages, 21 pages with appendix, 26 tables, 4 figures

SevDiff: Severity-Conditioned Diffusion for Long-Tail Conflict Trajectory Generation

SevDiff：用于长尾冲突轨迹生成的严重程度条件扩散

Eni Solomon Laughter

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

AI总结 研究针对ADAS评估中冲突轨迹罕见及现有方法不足的问题，提出SevDiff严重程度条件扩散模型，以TTC值为调节信号生成配对轨迹，经训练在不同TTC目标下有高命中率，生成特征物理合理，命中率下降模式可精确表征生成器。

PromptPack: Scaling LLM Annotation Agents for Online Recommendation

PromptPack：扩展用于在线推荐的大语言模型注释代理

Sebastian Koralewski, Merwan Barlier, Yulia Stolin, Blaž Škrlj

机构 * Teads Inc.（缇德思公司） 纠错

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

AI总结 研究在线推荐平台用LLMs提取广告素材特征时按创意提示成本高的问题，提出可扩展的PromptPack代理，通过上下文内批处理等实现扩展，经实验评估，相比基线，它大幅降低成本、提高吞吐量且保留AUC。

Skill-Contracted Agents for Evidence-Aware Materials Literature Analysis

用于证据感知材料文献分析的技能收缩代理

Bixuan Li, Yu Liu, Shuo Shi, Xiaoya Huang, Peng Kang, Lei Zheng

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

AI总结 研究针对材料科学文献分析难题，提出技能驱动的AlphaAgent框架，通过明确技能契约解耦任务。其含专门检索技能和报告生成技能，在盲评中显著优于基线系统，提升了文献分析效果。

Comments 9 pages, 5 figures

Beyond Relevance-Centric Retrieval: Rubric-Oriented Document Set Selection and Ranking

超越以相关性为中心的检索：面向评分标准的文档集选择与排序

Kailin Jiang, Lei Liu, Jian Xi, Hui Xu, Junlin Liu, Baochen Fu, Bin Li, Vichwang, Yu Lu, Haibo Shi

机构 * University of Science and Technology of China（中国科学技术大学） ； Yuanbao Team, Tencent（腾讯元宝团队） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shandong University（山东大学） 纠错

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

AI总结 研究针对大语言模型和人工智能代理对搜索结果质量需求，提出评估-诊断-优化框架。设计SetwiseEvalKit评估基准，评估多种重排器。在此基础上提出Rubric4Setwise方法，无需训练，能以更少文档和搜索轮次实现最佳下游生成性能，验证了闭环有效性。

Comments Project Page: https://rubric4setwise.github.io/

The Sensation Modulating Network:Haltability as the architectural ground for object-directed phenomenology

感觉调节网络：可停性作为对象导向现象学的架构基础

G. Nagarjuna, Durgaprasad Karnam

机构 * Indian Institute of Science Education and Research (IISER) Pune（印度科学教育与研究学院（IISER）浦那） ； Centre for Educational Technology (CET), Indian Institute of Technology Bombay（教育技术中心（CET），印度理工学院孟买） 纠错

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

AI总结 本文提出感觉调节网络（SMN）作为具身认知的架构，通过对手动力学和可停性机制，将对象导向现象学（胡塞尔意义）的意向性建立在身体组织的结构特征上，从而调和认知主义与4E认知的争论。

Comments 51 pages, main body 39 pages + References 6 pages, Appendices 6 pages, Tables 3, and Figures 16

Do Large Language Models know who did what to whom?

大语言模型是否知道谁对谁做了什么？

Joseph M. Denning, Xiaohan Hannah Guo, Bryor Snefjella, Idan A. Blank

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

AI总结 研究发现大语言模型能够提取句子中的主题角色，但这种信息对它们的表示影响较弱。

Navigating Assistance System for Quadcopter with Deep Reinforcement Learning

四旋翼避障导航辅助系统基于深度强化学习

Tung-Cheng Wu, Shau-Yin Tseng, Chin-Feng Lai, Chia-Yu Ho, Ying-Hsun Lai

机构 * National Cheng Kung University（国立成功大学） ； Research Laboratories（研究实验室） ； Industrial Technology Research Institute（工业技术研究 institutes） ； Department of Computer Science（计算机科学系） ； Information Engineering（信息工程系） ； National Taitung University（国立台东大学） 纠错

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

AI总结 本文提出了一种基于深度强化学习的四旋翼避障导航辅助系统，通过两个功能模块分别实现路径导航和碰撞避障，实验表明该方法在500次飞行中碰撞率为14%。

Comments conference

Autonomous Collaborative Learning Among an Ensemble of Tsetlin Machines with Consensus-Based Inference

基于共识推理的Tsetlin机集成中的自主协作学习

Yehuda Rudin, Osnat Keren, Michal Yemini, Alexander Fish

机构 * Faculty of Engineering, Bar Ilan University（巴伊兰大学工程学院） 纠错

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

AI总结 本文针对分布式和去中心化TM学习关注不足的问题，提出基于共识推理的Tsetlin机集成去中心化协作学习范式，各智能体维护私有模型，不交换原始数据，实验表明该范式下分类准确率与集中式模型相当，促进了信息集成融合。

Safe Remediation as Risk-Constrained Intervention Decision in Microservice Systems

作为微服务系统中风险约束干预决策的安全修复

Chengxiao Dai, Zhaokun Yan, Chenjun Lei, Qiao Li, Luyan Zhang

机构 * School of Computer Science, University of Sydney（悉尼大学计算机科学学院） ； Khoury College of Computer Sciences, Northeastern University（美国东北大学库里计算机科学学院） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院） ； College of Business and Economics, Australian National University（澳大利亚国立大学商业与经济学院） ； School of Computer Science and Technology, Fujian Normal University（福建师范大学计算机科学与技术学院） 纠错

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

AI总结 研究微服务系统中安全修复问题，将其转化为风险约束干预决策问题并构建约束马尔可夫决策过程，引入三维风险分解和上下文自适应人在回路门，通过实验验证该框架能降低错误修复率、提高修复成功率并减轻值班升级负载。

CruiseBench: A Real-Flight-Aligned N-CMAPSS Benchmark for Engine RUL Prediction

CruiseBench：用于发动机剩余使用寿命预测的真实飞行对齐N-CMAPSS基准测试

Pu Cheng, Qiang Miao

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

AI总结 研究发动机RUL预测问题，提出CruiseBench基准测试及CPM-N-CMAPSS方法，通过固定协议处理数据，排除部分因素，利用多种模型实验给出基线结果，为RUL模型比较提供可重复子基准及数据基础。

Comments 20 pages, 7 figures

NEXUS: Structured Runtime Safety for Tool-Using LLM Agents

NEXUS：工具使用型大语言模型智能体的结构化运行时安全

Elias Hossain, Md Mehedi Hasan Nipu, Tasfia Nuzhat Ornee, Rajib Rana, Niloofar Yousefi

机构 * University of Central Florida（中佛罗里达大学） ； North South University（南北大学） ； University of Southern Queensland（南昆士兰大学） 纠错

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

AI总结 研究工具使用型大语言模型智能体运行时安全问题，提出NEXUS结构化计划安全监控器，结合多种方法进行分级升级。在多个基准测试中表现出色，如合成基准测试F1分数达0.949等，还具有低延迟、低开销特点，相关成果已公开。

When Shippers Become Algorithms: Candidate Exposure, Information Design, and the Concentration of LLM-Mediated Freight Markets

当托运人成为算法：候选者曝光、信息设计与大语言模型介导的货运市场集中度

Takahiro Ezaki, Naoto Imura, Katsuhiro Nishinari

机构 * Research Center for Advanced Science and Technology, The University of Tokyo（东京大学先进科学与技术研究中心） ； Department of Aeronautics and Astronautics, School of Engineering, The University of Tokyo（东京大学工学部航空宇宙学系） 纠错

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

AI总结 研究托运人委托大语言模型代理选择承运人对货运市场的影响及平台设计应对策略，通过基于代理的模拟发现代理趋同、集中度随候选列表数量变化等风险，披露承运人剩余日运力可有效应对，凸显平台信息设计的重要性。

Stress Testing Concept Erasure with Large Language Model Agents

用大语言模型智能体对概念擦除进行压力测试

Yuyang Xue, Feng Chen, Zhihua Liu, Edward Moroshko, Jingyu Sun, Steven McDonagh, Sotirios A. Tsaftaris

机构 * School of Engineering, University of Edinburgh（爱丁堡大学工程学院） ； The University of Manchester（曼彻斯特大学） ； The University of Melbourne（墨尔本大学） 纠错

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

AI总结 研究针对概念擦除评估面临的验证挑战，提出STACE框架，利用大语言模型智能体迭代生成并验证压力测试假设，通过一套指标评估性能效率，经实验证明该框架在多方面表现优异且可拓展到其他领域。

A Reinforcement-Learning-Augmented Liquid-Fueled Reactor Network Model for Predicting Lean Blowout in Gas Turbine Combustors

一种用于预测燃气轮机燃烧室贫油熄火的强化学习增强型液体燃料反应器网络模型

Philip John, Eloghosa Ikponmwoba, Pinaki Pal, Opeoluwa Owoyele

机构 * Louisiana State University（路易斯安那州立大学） ； Argonne National Laboratory（阿贡国家实验室） 纠错

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

AI总结 研究提出强化学习框架预测燃气轮机燃烧室贫油熄火，采用多阶段聚类-分类策略，借助初始聚类和演员-评论家RL智能体生成优化反应器区域，验证研究显示该框架预测保真度高、速度快，有潜力作为降阶建模技术辅助高保真模拟。