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。
DeepResearch-9K：一个具有挑战性的深度研究智能体基准数据集
机构 * Shenzhen Technology University（深圳技术大学） ； City University of Hong Kong（香港城市大学） ； Baidu Inc.（百度公司）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 为解决深度研究智能体缺乏大规模挑战性数据集和开源训练框架的问题，构建了DeepResearch-9K数据集，包含9000个多难度问题、搜索轨迹和可验证答案，并开发了开源训练框架DeepResearch-R1，实验表明训练后的智能体在基准测试上达到最优。
Comments 6 pages, 4 figures
自主AI代理的抗博弈保险合约：策略证明的通行费机制设计
机构 * Hao-Hsuan Chen（何浩轩）
专题命中 Agent评测 ：AI agent(title)；agent(abstract)；分类 cs.AI
AI总结 本文扩展了时间一致精算运行时的框架，使运营商策略化，刻画了自主AI代理保险合约的五种攻击空间，并证明了精算运行时的抗博弈性，通过新合约条款实现激励兼容。
Comments 29 pages. Companion to arXiv:2605.26508 (Paper A, foundations) and arXiv:2605.25632 (Paper B, empirical)
面向银行业的人工智能安全代理：零售和企业账户的多向量欺诈与反洗钱检测
机构 * \ Engineering Soroti University\ , Uganda
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出一种融合LSTM序列模型、统计速度/阈值监控和图网络的三组件架构，并行处理交易流和会话流，在合成数据集上交易流F1达0.787，会话流F1达0.867，并集成客户验证聊天机器人（96.6%身份验证准确率）和分析师案例摘要助手（99.3%行动推荐F1）。
Comments 9 pages, 1 figure, 5 tables
当规则学习时：一种用于法律案例检索的自演化智能体
机构 * Center of Information Research, AMS（AMS信息研究中心） ； Discipline and Technology Research Center for Large Model Intelligence Applications（大模型智能应用学科与技术研究中心） ； Hebei University of Engineering（河北工程大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出一种自演化框架，通过LLM智能体自动生成并优化查询重写规则，无需参数训练即可增强BM25在法律案例检索中的性能。
Comments To appear in ACL 2026
从准社会脚本到自主AI智能体社区中的二元持久性
机构 * University of Utah（犹他大学） ； University of Virginia（弗吉尼亚大学）
专题命中 Agent评测 ：agent(title)；AI agent(abstract)；分类 cs.CL
AI总结 研究自主AI智能体社区中是否存在准社会互动（PSI）线索，通过关键词匹配、少样本LLM标注等方法分析帖子与评论，发现PSI线索与OP再参与及互惠回复结构强相关，并通过二元持久性测试验证了互动层面的PSI脚本与重复二元模式的一致性。
Comments Submitted for review in ARR for EMNLP 2026
辍学支持中合成与蒸馏数据的因果隐私审计工作流
机构 * Central University of Finance and Economics（中央财经大学） ； China Development Bank（中国发展银行） ； University of Cambridge（剑桥大学）
专题命中 Agent评测 ：workflow(title,abstract)；分类 cs.LG
AI总结 提出CaP-Eval工作流，在固定估计目标下审计合成学生数据的预测效用、因果保真度和隐私风险，发现DPGNet和蒸馏数据在保留处理效应结构上优于基线方法。
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,
FORTIS：评估代理技能中的过度特权
机构 * University of Southern California（南加州大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Adobe Research（Adobe研究） ； Arizona State University（亚利桑那州立大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 研究发现，当前代理技能层普遍存在过度特权问题，模型在选择和执行技能时常超出任务需求，导致性能不佳。
红队代理执行上下文：OpenClaw上的开放世界安全评估
机构 * National University of Singapore（新加坡国立大学）
专题命中 Agent评测 ：agent(title)；agentic(abstract)；分类 cs.AI
AI总结 本文提出DeepTrap框架，通过黑盒轨迹优化发现OpenClaw中的上下文漏洞，展示上下文妥协可引发安全风险，强调需执行中心的安全评估。
Comments Accepted to ICML 2026 Workshop
Shachi: 一种用于基于LLM的涌现集体行为建模的模块化、可控框架
机构 * Sakana AI, Japan（日本Sakana AI） ； The University of Tokyo, Japan（日本东京大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 提出Shachi框架，将智能体认知分解为配置、记忆和工具等独立可控组件，通过扰动实验研究微观认知特征如何影响宏观群体动态，并在10任务基准和关税冲击案例中验证其有效性。
Comments Accepted to ALIFE 2026
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。
RedAct: 为程序技能保护而编辑智能体能力痕迹
机构 * Hong Kong University of Science and Technology（香港理工大学） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.CL
AI总结 提出RedAct框架，通过定位保护关键信息、重写痕迹并嵌入行为水印，将技能转移率降至无技能基线以下，同时保留审计证据。
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。
Food4All: 一种具有自适应用户理解能力的食物资源导航智能体框架与基准
机构 * University of Notre Dame（诺特大学）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.CL
AI总结 提出Food4All框架，结合食物搜索工具与300个多轮评估任务，在686个印第安纳食物资源上评估六种大语言模型，诊断其在约束条件处理和非理想用户交互中的不足。
Comments We have further refined the benchmark construction and experimental presentation to improve clarity and consistency. The revised version includes updated task design, food-resource data, and evaluation details to better align the benchmark with the intended food resource referral setting. These changes provide a more precise presentation of the experimental findings
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
PQR：一个生成多样化且逼真用户查询的框架，以引发问答代理失败
机构 * Columbia University（哥伦比亚大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Walmart（沃尔玛）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.CL
AI总结 PQR框架通过迭代交互生成多样化且逼真的用户查询，以发现问答代理的失败案例，其方法比现有方法更有效。
FieldWorkArena：面向真实作业任务的代理AI基准测试
机构 * Fujitsu Limited（富士通株式会社） ； Fujitsu Research of America（富士通美国研究部） ； Carnegie Mellon University（卡内基梅隆大学） ； Master’s Student, The University of Tokyo（东京大学硕士研究生） ； Agent Research Collective（代理研究集体）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 本文提出FieldWorkArena，用于评估代理AI在真实制造业和零售环境中的性能，通过现场采集的数据和实地访谈设计任务，验证多模态大语言模型的评估可行性。
Comments 27 pages, 10 figures, 7 tables [ICPR 2026 Accepted] Changes from previous version: added supplemental material
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%。
RealClawBench: 来自真实开发者-智能体会话的实时OpenClaw基准测试
机构 * Peking University（北京大学） ； Qiyuan Tech（启元科技）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.CL
AI总结 针对现有基准缺乏真实性的问题，提出RealClawBench框架，通过重构执行环境和确定性可验证评分器，将真实OpenClaw会话转化为可复现、自动评分的任务，评估14个模型后最佳仅解决65.8%任务，揭示了开发者-智能体工作负载上的巨大提升空间。
Comments 19 pages, 5 figures, 8 tables
RAINO：将智能体锚定于现实——基于智能体建模中现实主义的系统综述与概念框架
机构 * Umeå Universitet（乌梅拉大学） ； UiT The Arctic University of Norway（北极大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.AI
AI总结 本文通过系统文献综述，识别了基于智能体建模中现实主义操作化与展示的不足，并提出了RAINO框架（现实锚点、输入、输出），以统一和拓展对现实主义的理解。
Comments The paper has been accepted in the Social Simulation Conference 2025
LEAP：利用智能体框架增强形式化数学的大语言模型
机构 * Google Cloud AI Research（谷歌云人工智能研究） ； Google Cloud（谷歌云） ； Google DeepMind（谷歌DeepMind）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 提出LEAP智能体框架，通过分解问题、与Lean编译器交互及自我优化，使通用大模型在形式化定理证明上达到最先进性能，并在Putnam竞赛和Lean-IMO-Bench上超越专业系统。
VLESA: 用于人类活动监测的视觉语言具身安全智能体
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室） ； Harvard University（哈佛大学）
专题命中 Agent评测 ：agent(title,abstract)；分类 cs.LG
AI总结 提出VLESA框架，通过自我中心视频监测人类活动，利用GRPO训练的目标条件安全Q过滤器进行实时安全干预，在ASIMOV-2.0基准上实现更高干预精度。
Comments 18 pages, 5 tables, 5 figures
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