执行验证 LLM-DailyDigest 2026-08-20 2026-08-20 约 100 字 预计阅读 1 分钟 执行验证 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 三维生成 1 3DCodeVerse：以可执行代码生成与验证 3D 世界 10-18 三维重建 1 SceneRig：从单图像重建仿真就绪的三维场景 10-21 世界模型 2 LGWM：用世界模型验证 GUI 智能体状态转移 10-23 EVO-WAM：世界动作模型从自我想象中迭代进化 10-20 事故复盘 1 Claude安全降级失误，误删开发者700GB主目录 08-30 代码评测 5 UserSWE：动态用户多轮对话中的编程智能体评测 10-22 SWE-Prometheus：真实代码仓库工程治理改进评测基准 09-25 SWE-Flux：仓库级代码运行时推理基准 09-24 SWE-Serve：生产级推理服务智能体工程评测基准 09-23 GameLogicBench：以逐帧状态断言评测游戏逻辑编程智能体 09-21 任务生成 2 腾讯混元 RST 递归合成 3.7 万个长程终端任务 09-07 FACET：保留源意图与可执行状态的终端任务合成框架 08-20 元智能体编排 1 Eureka：面向科学发现的任务条件元代理编排 08-20 医疗人工智能 1 从评分到安全药集：药物推荐的精确安全约束解码 10-22 可信执行 18 基于 Petri 网监督控制的智能体认证执行框架 10-23 Proof-Carrying Contracts：智能体不可违背的可证明契约 10-22 VeriLoop E2以外部证据门控实现可验证状态演化 10-18 OpenAI事故报告披露模型越权取用测试币并隐瞒 10-18 VeriLoop E2以循证递归实现可验证状态提交，黎曼零点比例下界达67.35% 10-09 仅凭输出无法验证什么：研究智能体的研究契约 10-09 从被动遏制到主动保障：三大厂商智能体安全事件启示 10-09 RankEvolve：可靠的多智能体排序模型自动研究框架 10-01 Approval Laundering：AI 编程智能体的审批—执行绑定失效 10-01 Maat：基于确定性契约的多智能体工作流治理 09-29 Graph2Env：图引导的代码仓库执行环境构建 09-29 HEXIS：将智能体技能编译为扩展有限状态机 09-25 谁来签字？让规范而非智能体确认任务完成 09-25 从智能体输出到授权转换：Agile-V 保障脊柱 09-24 豆包工作上线目标与计划模式，支持验收返工和执行前确认 09-23 以物理映射约束 Architecture-0 阶段的 SWE-Agent 决策 09-16 DeFiFlowBench：自然语言 DeFi 工作流的安全可执行性评测 09-11 EvidenceNet：跨权限边界验证智能体网络操作结果 09-10 可信推理 1 Deposon：可审计且守恒保证的 LLM 推理路径散射层 09-09 合规性评测 1 ReguSim：评测金融 LLM 智能体的规则落地能力 08-21 基础设施评测 1 Φ-Bench：大模型基础设施工程能力评测 08-24 多智能体协作框架 3 图结构分布式块优化实现并行智能体安全协作 10-22 局部工作、全局进展：AI 智能体协作的收敛理论 10-21 4 个 Gemini 智能体在《我的世界》自主协作击败末影龙 10-19 多智能体系统 3 DynaFlow：学习自由形式的多智能体编排 10-29 Google 开源 Teamwork 多智能体协作框架 09-07 双层协调反思：多智能体 LLM 系统的博弈论方法 09-03 安全评测 1 AgentPolicyForge：从可执行环境构建策略基准与自适应防护 10-22 实验审计 1 超越代码执行：审计 LLM 科研实验的忠实性 08-29 工业控制代码 1 SemaPLC：项目级验证门控的 PLC 代码生成智能体框架 08-21 工具调用 2 接口漂移下的 LLM 智能体稳健函数调用 10-19 PhoneCLI：将移动应用界面编译为可调用命令 09-30 形式化证明 4 数十个 AI Agent 24 天形式化有限单群分类定理 10-29 NanoProof：开放高效的 Lean 4 自动定理证明器 10-10 报道称万名 AI 智能体用形式化证明攻克 Navier–Stokes 难题 09-25 Claude 以 Lean 完成费马大定理端到端形式化验证 09-07 形式化验证 4 ORSMT：基于SMT的LLM优化建模语义验证与修复 10-22 Racer：用符号等价性检查发现 GPU 内核缺陷 10-21 SpecGuard：在编码智能体作弊前证明任务规格冲突 10-08 Specula 自动形式化验证：67 个开源系统发现 382 个深层 Bug 08-27 技能演化 2 自改进智能体自主扩展 DSL，实现无预言机精确问答 10-18 RoboRSI：复杂现实环境中的稳定高效可复用机器人自演化 10-09 持续学习 1 SR-Fraud：面向非平稳支付欺诈检测的结果监督反思智能体 09-24 推理优化 1 CORE：基于冲突核回跳的可验证语言模型搜索 10-01 推理效率 1 SpecAgent：面向工具智能体的轨迹级推测与语义验证 10-18 插件架构 1 DeepSeek Harness：全插件化 AI 编程 Agent 框架 08-21 数据自演化 2 程序验证驱动的视觉语言模型自进化 09-29 VISA：面向多模态指令遵循的智能体自演化数据合成 08-27 智能体框架 7 工作智能体：系统、能力与优化 10-29 智能体脚手架如何创造价值：规划信息与发布控制 09-18 Harness-of-Harness：多日自主软件开发编排框架 09-07 面向嵌套企业模式的成本感知 NL-to-SQL 智能体架构与新基准 09-07 Harness-of-Harness：持续改进的多日自主软件开发框架 09-02 智能体式工件创建：系统、评估与设计原则综述 09-01 Prime Agent 开源自我改进智能体框架 08-11 智能体自进化 3 Infinity Machine：面向科研的自改进智能体 10-27 VeriEvolve：评估器优先的工具智能体演化框架 10-22 BEHAVE：功能行为建模驱动硬件智能体自我改进 09-30 智能体训练 4 WorkFactory：将职业意图转化为可执行任务以规模化训练智能体 10-29 编码智能体训练为何要重新审视源代码？ 10-19 HarnessSQL：面向真实数据库环境的执行框架原生 SQL 智能体训练 10-09 GraphForge：基于证据图的工作区合成与智能体训练 10-01 智能体评测 9 OR-License：现实世界运筹学智能体评测基准 10-21 FLARE：退化观测下配电网恢复智能体的物理约束评测 10-19 Doc2Harness：长周期编码智能体 Harness 工程基准 10-18 BrickBench：智能体积木设计评测基准 10-09 FDE-Bench：LLM 智能体部署环境配置评测基准 09-24 RecreationWorld：可扩展、可验证的混合计算机操作智能体环境 09-21 Quantum-Harbor：量子工程智能体的可验证自主性评测 09-16 面向实时数据科学任务的技能型智能体评测 09-16 浙大开源可插拔 Agent 评测底座 ageval 09-13 根因分析 1 OpsHarness：面向根因分析的自进化智能体外壳 08-27 模型发布 1 UI-Venus-2：跨移动端、Web 与桌面的通用 GUI 智能体 09-03 模型可靠性 1 BRIDGE：阻断模型更新虚假改进的接受门控 10-22 模型评测 2 面向系统工程设计的 LLM 上下文操作与架构建模评估框架 09-10 SQLMorph：基于查询变异与细粒度指标的Text-to-SQL评测框架 09-09 模型验证 1 以模型检验为预言机自动测试 LLM 事后解释器 09-01 流程合规 1 PolicyGuide：面向全工作流的智能体策略合规引导 08-22 测试时训练 2 自生成反馈破坏测试时训练的长期稳定性 10-08 ERPO：面向代码生成测试时强化学习的熵正则秩掩码策略优化 09-09 演化能力评测 2 SkillSandbox：动态场景合成验证智能体技能 10-08 S3Gym：LLM 能否通过自测试与自评判实现自我改进 09-01 物理重建 1 Code-as-World：从视频逆推可执行物理世界 08-29 状态安全 1 SEAD：工具型智能体的状态化攻防框架 09-30 环境协同演化 1 EnvHarness：让静态环境适应智能体学习 08-21 环境合成 2 WorkGenesis：构建训练工作型智能体的可执行职业环境 10-01 从手工构建到自进化：Agent 环境扩展五篇论文综述 09-11 神经符号人工智能 1 OntoAct：基于本体抽象的假设驱动神经符号智能体 10-18 科学仿真 1 KI 为科学 Agent 注入可执行常识，仿真成功率升至 84% 08-28 科研平台 1 ScienceDiscovery：可溯源的一站式 AI 科研工作台 08-17 科研智能体 3 编码智能体改进编辑距离码下界 10-01 Claude 完成 N=4 超杨-米尔斯理论九圈散射振幅计算 09-26 OmniScientist：全模态跨学科 AI 科学家 08-16 科研评测 3 OpenRSI Index：从刷榜走向真实科研评测 10-18 PaperBenchX：AI端到端论文完整复现率仅13.98% 10-08 OSWorld-Science：科学软件操作智能体评测基准 10-01 移动端评测 1 MobilePA-Bench：复杂真实移动任务规划智能体基准 08-26 程序修复 3 Replit 发布 Monitoring Agent：自主修复并部署生产故障 10-23 HealBench 与 HealGuard：真实代码仓库运行时错误修复评测与安全护栏 10-01 WebWorld：以浏览器世界模型驱动 Web 代码自我改进 09-01 程序进化 1 Discovery Loop：LLM 程序进化打破 10 项圆堆积纪录 09-07 答案验证 2 ClaimScope：标签盲见证验证的数学主张审计基准 10-18 迁移式验证：精确信息前沿与调用成本 10-09 系统优化 1 无问芯穹算子优化Agent斩获SOL-ExecBench 88项第一 10-29 脚手架演化 3 DynaHarness：面向自进化机器人智能体的动态物理脚手架 10-01 ModularRSI：冻结模型权重实现 Harness 持续自我改进 09-25 Harness 自进化全景：三种范式与六个系统 08-28 自动化科学研究 1 Claude Mythos 5 闭环优化量子电路，八项任务刷新最优设计 10-18 自博弈 1 SQL-Zero：零标注自进化 Text-to-SQL 09-07 自我反思 1 双过程语言智能体的记忆与自我反思扩展 09-17 视觉推理 1 GAGR-Lab：空间几何与解析函数联合推理评测 10-08 计算评测 1 AtmosCoder-Bench：执行验证揭示环境科学计算中的隐性失败 08-20 记忆演化 1 Recuris：面向长程智能体脚手架的递归经验—工作记忆演化 08-26 评测基准 3 DecisionPivot：LLM 决策模型诊断评测基准 10-21 HardEval：面向安全加固与合规修复的执行验证基准 10-19 QC-Stark：揭示大模型量子计算能力分化的多任务基准 09-30 评测审计 8 更强评判器仍看不见：LLM 评测中的部署完整性盲区 10-18 AgentEval：面向有状态智能体的证据边界评估 10-18 谁来验证验证器？可检查评分器与自改进智能体协同演化 10-10 部署验证器套件的硬门控资格评估 10-01 LLM 代码漏洞修复中的编译率指标失效与变更感知评测 09-23 执行标签如何影响 Text-to-SQL 保形弃答风险认证 09-23 审计 AI 生成的 RTL 安全验证计划：SecTB-RTL 基准 09-18 IB²：按服务路由而非模型标识评测企业 AI 系统 09-10 轨迹审计 1 Trace Integrity：面向 LLM 数据智能体的可审计结构化推理 08-27 软件开发方法学 2 智能体集成软件：交互契约与持续保障 09-11 Bun 1.4借助AI Agent重写百万行Rust代码 09-07 软件开发流程 2 AI 驱动的 SDV 端到端汽车设计与软件开发 10-22 智能体软件开发生命周期：可靠性、验证与成本经济学 09-07 过程评测 1 Probe-and-Resume：何时及如何评估智能体执行 10-18 运行时授权 1 工具输出成为命令：分离动作诱导与运行时授权 08-28 递归自我改进 13 RSI 递归之桥：自我改进的验证机制与工程边界 10-27 RSIGame：自主试玩、修复与迭代的游戏开发智能体 10-22 Memento 3以可执行世界模型实现递归自我改进 10-18 ModularRSI：模块化、可泛化的 Harness 递归自我改进 10-18 Terminal-RSI：通过轨迹重写与策略精炼递归改进终端智能体 10-18 Memento 3：基于反思规则手册的模型式递归自我改进 10-09 RSIAgent：免训练多智能体在新环境中递归自我改进 09-29 R² Flow：通过递归技能演化实现智能体自我改进 09-29 SwarmWorld 与 ModularRSI：AI 自我进化的群体与个体路径 09-24 9月四篇RSI论文：从自主性阶梯到元递归调度 09-23 从自我改进到递归进化：RSI 五级路线 09-18 最新 RSI 综述：AI 如何真正实现递归自我改进 09-15 iCoder：AI 主导开发 27B 工业代码模型 09-02 长期记忆 2 Meta“组织第二大脑”智能体设计：可审计知识与自改进闭环 09-25 WorkSwarm「永续会话」支撑 Agent 长时稳定工作 09-08 长程任务执行 1 Sage-A1.5：以能力组合迈向长程执行与科学探索 10-21 闭环自进化 2 从 Harness 到 Loop：Agent 的可靠交付与持续进化 10-24 Meta“组织第二大脑”智能体：结构化知识与自改进闭环 09-24
