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。
JAXenstein: 加速的第一人称环境基准测试
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 本文提出JAXenstein，一个基于JAX的开源基准测试，用于加速第一人称视觉任务的实验，通过实现Wolfenstein 3D渲染引擎，提高了实验效率并支持更复杂的环境。
Comments Main paper: 5 pages, supplementary material: 3 pages
迈向社交互动代理的信任校准：探究LLMs生成性别化的多模态行为生成
机构 * LIS Laboratory, Amu（LIS实验室，Amu） ； Inria Paris（Inria巴黎）
专题命中 Agent评测 ：agent(abstract)；分类 cs.CL
AI总结 本文研究了LLMs生成多模态行为以反映能力与善意的不同层次，探讨了性别对行为生成的影响，并通过用户研究验证了方法的有效性。
在自主安全代理中测量安全对齐效应
机构 * University College London（伦敦大学学院）
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轨迹的基准测试，用于评估安全代理在执行漏洞分析任务时的安全对齐效果，发现安全代理的性能差异主要体现在拒绝、不安全行为和工具可靠性等方面，而非单纯的拒绝率。
POLAR-Bench: 一个用于LLM代理隐私-效用权衡的诊断基准
机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文提出POLAR-Bench基准，用于评估LLM代理在隐私和效用之间的权衡。通过在10个领域和7,852个样本上进行测试，该基准通过确定性集合成员hip评分隐私和效用，并在两个正交轴上变化隐私策略维度和攻击策略，生成5x5的诊断表面。结果揭示了当前前沿模型在保护属性上隐瞒超过99%，而较小的开放权重模型在1-30B范围内表现更差，泄露率高达一半。
Comments Preprint
FAGER：基于事实的文本到图像模型评估与改进
机构 * Boston University（波士顿大学） ； Adobe（Adobe公司） ； IBM Research（IBM研究院）
专题命中 Agent评测 ：agentic(abstract)；分类 cs.AI
AI总结 本文提出FAGER框架，用于评估和改进文本到图像模型的事实准确性，通过结合LLM生成事实和参考引导的视觉事实提取与验证，构建结构化事实评估标准，并通过VLM进行评估，验证FAGER在事实性测试中优于现有方法，并能无训练改进T2I输出。
Comments It was accepted for an oral presentation at the 2nd Workshop on the Evaluation of Generative Foundation Models (EVGENFM2026) at CVPR 2026. Total 8 pages (1 page for references). 5 figures
一种用于预测儿童疟疾严重程度的逻辑回归模型
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 本研究提出了一种逻辑回归模型，利用环境和生物学因素预测儿童疟疾的严重程度，通过83.3%的准确率验证了模型的有效性，并强调了样本代表性的的重要性。
Journal ref Eur. J. Electr. Eng. Comput. Sci. 8 (2024) 31-35
SkillGenBench: 评估LLM代理技能生成流水线的基准测试
机构 * SJTU（上海交通大学） ； XJTU（西安交通大学） ； NUS（新加坡国立大学） ； QuantaAlpha（量子Alpha） ； THU（清华大学） ； SUFE（上海财经大学） ； NTU（国立.ntu） ； PKU（北京大学） ； UCAS（中国科学技术大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文提出SkillGenBench，一个用于评估LLM代理技能生成流水线的基准测试，通过统一可控的协议评估技能生成过程，涵盖任务条件生成和任务无关生成两种模式，以及基于仓库和文档的两种程序来源，揭示技能生成在不同数据源中的表现差异。
SCICONVBENCH: 评估LLM在计算科学任务公式化中的多轮澄清能力
机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； Pacific Northwest National Laboratory（太平洋西北国家实验室） ； National Renewable Energy Laboratory（国家可再生能源实验室）
专题命中 Agent评测 ：tool use(abstract)；分类 cs.AI
AI总结 该研究提出SCICONVBENCH基准，用于评估LLM在计算科学任务公式化中的多轮澄清能力，重点在于获取缺失信息和解决请求中的矛盾，通过结构化任务本体和基于标准的评估框架，系统测量LLM在澄清行为、对话基础性和最终规格忠实度三个维度上的表现。
并非你所要求的：家庭机器人操作中的字体攻击
机构 * Cyber Security Lab（网络安全实验室） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； State College, USA（州立学院，美国）
专题命中 Agent评测 ：AI agent(abstract)；分类 cs.AI
AI总结 本研究探讨了字体攻击对家庭机器人操作全流程的影响，提出了一种解耦感知架构，并发现感知错误会通过持久的3D语义地图导致物理性故障，揭示了字体误分类对机器人安全性的实际威胁。
Comments 10 pages, 1 figure, IEEE conference format
ScarfBench：企业Java应用跨框架应用迁移的基准测试
专题命中 Agent评测 ：agent(abstract)；分类 cs.SE
AI总结 本文提出ScarfBench，一个用于评估企业Java应用跨框架迁移行为保持性的基准测试，通过专家编写实现三元组，涵盖Spring、Jakarta EE和Quarkus框架，生成102个变体和204个定向重构任务，评估了五种最先进的编码代理，并揭示了不同框架方向和架构层的难度差异。
TeleCom-Bench: 大型语言模型在工业电信应用中还有多远？
机构 * ZTE Corporation（中兴通讯）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文提出TeleCom-Bench，一个包含12个评估集和22678个精选样本的全面基准，旨在评估大型语言模型在电信领域的综合能力，揭示其在工业流程中的执行能力缺口。
Comments Accepted by KDD 2026
迁移学习用于定制化的赛车环境
机构 * seas（系统工程与科学学院）
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 本文研究了迁移学习在深度强化学习中的应用，旨在通过在单一赛道上训练智能体，实现零样本迁移或进一步微调以在其他定制化赛车环境中获得更快的圈速，并比较了基于模型和非基于模型方法的性能。
行星探测中自然语言到一阶逻辑翻译的试点基准
机构 * Department of Computer Science and Engineering, College of Engineering, The Pennsylvania State University（计算机科学与工程系，工程学院，宾夕法尼亚州立大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.CL
AI总结 本文提出一个试点基准，用于在行星探测领域将自然语言转换为一阶逻辑，通过NASA PDS的实测文档构建数据集，并手动标注FOL表示，以支持语言理解和形式推理的交叉研究。
交互评估需要一种设计科学
机构 * University of Texas Austin（德克萨斯大学奥斯汀分校） ； California Institute of Technology（加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft Research（微软研究院） ； Northwestern University（西北大学） ； University of Cambridge（剑桥大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文探讨了交互评估应被视为一种原则性的评估范式，而非仅仅是新的智能体基准。通过定义评估为证据到判断的自主映射，文章展示了交互评估如何改变这一映射的两方面，并提出双轴分类法，制定设计原则和报告标准，分析了长期评估挑战在轨迹层面的再现。
Comments 10 pages
HydroAgent: 通过模拟器引导的强化学习缩小前沿大语言模型与人类专家在水文模型校准之间的差距
机构 * Civil, Environmental, and Architectural Engineering, University of Colorado Boulder（科罗拉多大学波尔德分校土木、环境与建筑工程系） ； Civil Engineering and Environmental Sciences, University of Oklahoma（俄克拉荷马大学土木工程与环境科学系） ； Department of Computer Science, University of Oklahoma（俄克拉荷马大学计算机科学系） ； Civil and Environmental Engineering, Stanford University（斯坦福大学土木与环境工程系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； NASA Goddard Space Flight Center（美国国家航空航天局戈达德空间飞行中心）
专题命中 Agent评测 ：workflow(abstract)；分类 cs.LG
AI总结 本文研究如何利用前沿大语言模型（LLM）代理替代人类水文模型师进行水文模型校准，提出HydroAgent方法，通过模拟器引导的强化学习（RLSF）进行微调，以提高模型在不同流域中的适应性和准确性。
勿信工具：在不可信工具反馈下评估和防御LLM代理
机构 * Southern University of Science and Technology（南方科技大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Birmingham（伯明翰大学） ； Zhejiang University（浙江大学） ； East China Normal University（华东师范大学） ； Alibaba Group（阿里巴巴集团）
专题命中 Agent评测 ：agent(abstract)；分类 cs.CL
AI总结 本研究探讨了在不可信工具反馈环境下评估和防御LLM代理的问题，提出了一种新的失败模式'认知中毒'，并介绍了TRUST-Bench基准、GuardedJoint惩罚指标和VISTA-Guard框架，展示了轨迹感知的最终动作评分在安全与效用权衡中的有效性。
随机最小成本到达-避免强化学习
机构 * Key Laboratory of System Software (Chinese Academy of Sciences), Institute of Software, Chinese Academy of Sciences, Beijing, China（中国科学院系统软件重点实验室，软件研究所，中国科学院，北京，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学交叉学科学院，中国科学院大学，北京，中国）
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 本文研究了随机最小成本到达-避免强化学习问题，提出了一种新的方法来在满足概率至少p的到达-避免约束的同时最小化预期累积成本。通过引入到达-避免概率证书（RAPCs）和基于收缩的Bellman公式，该方法能够将到达-避免考虑整合到强化学习中，并在概率约束下实现成本优化。
Comments Accepted at the Forty-third International Conference on Machine Learning (ICML 2026)
LEGO: 一个基于LLM技能的前端设计生成平台
机构 * School of IC, Peking University（北京大学集成电路学院） ； School of EECS, Peking University（北京大学电子信息技术学院） ； School of Microelectronics, Xidian University（西安电子科技大学微电子学院） ； Institute of EDA, Peking University（北京大学EDA研究院） ； Beijing Advanced Innovation Center for IC（北京集成电路先进创新中心）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文提出LEGO平台，通过将数字前端流程分解为六个独立步骤，并将每个代理能力表示为标准化的可组合电路技能，实现了高效的前端设计生成，显著提升了RTL设计自动化的效果。
Comments Accepted to ISEDA 2026. Best Paper Nomination. 7 pages, 3 figures
时间序列基础模型在交通预测中的强大基准作用：一项大规模基准分析
机构 * Technical University of Denmark（丹麦技术大学）
专题命中 Agent评测 ：planning(abstract)；分类 cs.LG
AI总结 本文通过在十个真实世界数据集上评估最新时间序列模型Chronos-2的零样本性能，证明了通用时间序列基础模型在交通预测中的有效性，展示了其在多数数据集上达到或超越传统统计基线和专用深度学习架构的准确性，尤其在长预测范围内表现突出。
Comments 6 pages
位置：通用时间序列基础模型建立在类别错误上
机构 * ZJU-UIUC Institute（浙大-UIUC研究院） ； School of Software（软件学院） ； Department of Computer Science and Engineering（计算机科学与工程系）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文指出，追求'通用时间序列基础模型'存在根本性的类别错误，将结构容器误认为语义模态。由于时间序列包含不兼容的生成过程（如金融与流体动力学），单一大模型退化为昂贵的'通用过滤器'，在分布漂移下无法泛化。为此，我们引入'自回归盲目界限'，证明仅依赖历史的模型无法预测干预驱动的制度转变。我们主张用因果控制代理范式取代通用性，其中代理利用外部上下文协调一系列专门的求解器，从冻结领域专家到轻量级即时适应器。最后，我们呼吁将基准从'零样本准确性'转向'漂移适应速度'，以优先考虑鲁棒、控制理论系统。
社交学习网络中的因果影响
机构 * Dalle Molle Institute for Artificial Intelligence (IDSIA USI-SUPSI)（达勒莫勒人工智能研究所（IDSIA USI-SUPSI）） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL））
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 本文研究了由社交图连接的智能体之间的时间动态因果影响，分析了社交学习模型和分布式决策协议的动力学，并推导出揭示智能体对之间因果关系的表达式，解释了网络中的影响流动。结果依赖于图拓扑和每个智能体对推理问题的信息水平。基于这些结论，本文提出了一种算法来对智能体的整体影响进行排名，以发现具有高度影响力的智能体，并提供了一种从原始观测数据中学习必要模型参数的方法。结果和所提算法通过考虑合成数据和真实社交媒体数据进行了示例说明。
Comments Accepted to the Journal of Machine Learning Research
ASPI：寻求澄清会放大LLM代理中的提示注入漏洞
机构 * Scale AI ； Boston University（波士顿大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Human Frontier Collective（人类前沿集体）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 该研究探讨了LLM代理在执行任务时寻求澄清的行为对提示注入攻击的影响，发现这种行为会显著增加代理的脆弱性，并提出了ASPI基准测试来评估这一现象。
PaliBench: 一种多参考框架用于经典语言翻译基准测试
机构 * Independent Researcher（独立研究者） ； International Buddhist Studies College（国际佛教研究学院） ； Mahachulalongkornrajavidyalaya University（玛哈切通拉翁皇家师范大学）
专题命中 Agent评测 ：workflow(abstract)；分类 cs.CL
AI总结 本文提出PaliBench，一种用于巴利语到英语翻译的基准测试，以及构建多参考翻译基准测试的方法，通过结合LLM辅助对齐、自动化验证、质量过滤、去重和多指标评估，生成包含1700段文本、8389个段落和约345,000个token的基准测试数据集，评估了十个现代大语言模型的性能。
Comments Preprint. This manuscript has not yet been peer reviewed
具身视角形成与意图同调在人工体中
机构 * Active Inference Institute, CA, USA（主动推断研究所，加利福尼亚州，美国）
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，用于人工体中的具身视角形成，通过引入内感受性活力信号、Fisher式度量以及意图同调机制，展示了如何在无奖励的网格世界中将学习到的身体倾向转化为稳定的体定向行为。
CheeseBench：在啮齿类行为神经科学范式上评估大语言模型
机构 * Astera Institute（Astera研究院）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 CheeseBench通过九种经典行为神经科学范式评估大语言模型，发现模型规模、上下文历史、提示方式和架构对性能有显著影响，且当前模型在空间导航等任务上仍低于啮齿类动物基准。
Comments 8 pages, 6 figures, 4 tables
轻量级基于CNN的DDoS检测用于资源受限的边缘网络
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Green River College（绿河学院） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 Agent评测 ：autonomous agent(abstract)；分类 cs.LG
AI总结 本文提出一种轻量级监督深度学习方法，利用CNN检测DDoS攻击，通过提取包流特征并进行分类，实现低延迟的边缘网络检测。
生成式AI与双层在线心理健康社区
机构 * School of Management, Beijing Institute of Technology（北京理工大学管理学院） ； Simon Business School, University of Rochester（罗切斯特大学Simon商学院）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 研究探讨生成式AI在双层在线心理健康社区中的影响，发现AI增强了响应速度和患者参与度，但导致部分顾问减少参与，产生跨层溢出效应。
Hawkeye：重现GPU级非确定性
机构 * Anonymous Institution, Anonymous City, Anonymous Region, Anonymous Country（匿名机构，匿名城市，匿名地区，匿名国家）
专题命中 Agent评测 ：workflow(abstract)；分类 cs.LG
AI总结 Hawkeye系统通过在CPU上重现GPU矩阵乘法运算，实现机器学习模型训练和推理流程的精确复现，解决了传统验证方法的计算开销和鲁棒性问题。
Comments Accepted to MLSys 2026
大语言模型作为优化控制器：SIMP拓扑优化的自适应延续
机构 * Department of Mechanical Engineering, Santa Clara University（圣克拉拉大学机械工程系）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文提出利用大语言模型作为SIMP拓扑优化的在线自适应控制器，通过实时状态条件参数决策替代传统固定调度延续方法，提升优化效果。
Comments 32 pages, 11 figures
动态环境中的拉马克继承：关键变量如何影响进化动态
机构 * Department of Informatics, University of Oslo, Norway（奥斯陆大学信息学院） ； RITMO, University of Oslo, Norway（奥斯陆大学RITMO）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本文研究动态环境中关键变量对进化动态的影响，通过虚拟软机器人和两种学习方法，发现拉马克继承在环境变化冲突且不可预测时表现欠佳，但添加环境感知传感器可恢复其优势。
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