模型评估 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 模型评估 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） 一致性评测 1 ConsistencyChecker：基于树结构评估大模型泛化一致性 06-18 三维生成 1 OuroWorld：将静态 3D 世界转化为无限循环动态影像 10-18 三维重建 1 LEGO-Anything：以编程智能体重建可执行 3D 场景 10-01 上下文压缩 1 分块 KV 缓存压缩存在周期性相位弱点 10-01 上下文学习 2 思考何时成为记忆：统一上下文学习与微调 10-22 上下文强化学习是否为后验采样器：实证检验 10-22 下游任务适配 1 为下游任务优化语言模型：训练后视角 06-27 专家智能 1 AAI 推动人工专家智能新路径 12-31 世界模型 5 事件而非像素：世界模型的回报误差诊断 10-22 物理参数偏移下的因果世界模型 10-22 优必选发布统一多模态具身世界模型 Thinker-WM 10-20 WROP：在世界模型中训练物体恒存性 09-26 HappyWorld-Bench：世界模型可靠性评测基准 09-25 主动学习 2 生物多样性监测中的主动学习：从标签效率到可靠生态推断 09-24 ATGen：面向自然语言生成的主动文本生成框架 07-01 主动推理 1 从被动推理到主动推理：大型语言模型能否在不完整信息下提出正确问题？ 06-12 事实一致性 1 AssertBench：评估大型语言模型自我断言能力的基准 06-16 事实核查 5 PremiseCheck：高效核查人类与 AI 同行评审中的事实错误 10-18 TypeSafe Jev以1/500成本实现97.5%事实核查准确率 10-08 多轮证据消融评估与改进大模型事实核查 09-09 验证核验器：揭示事实核验系统的陷阱与潜力 06-18 验证验证者：揭示事实验证器的陷阱与潜力 06-18 交互式评测 7 InteractiveWorld：可验证的人本交互式 MLLM 环境 10-29 StreamEval：交互式流式视频生成统一评测基准 10-23 DIVE：连续流视觉参与的全双工交互评测基准 10-22 SIT-Eval：基于情境的对话智能体逐轮交互评测 10-19 FIGS：不惩罚共情的多轮迎合性评测框架 10-01 Duplex-MPE：全双工多方对话交互基准 09-30 PlayWorld：智能体玩家驱动的长程世界模型评测基准 08-15 交互控制 1 OS-Kairos：以置信度机制避免 GUI 智能体“过度执行” 07-03 人名识别评测 1 PUN：面向人物中心 LLM 评测的可信未知姓名 08-24 人工监督 1 强化人工监督以验证 AI 推理 12-31 代码模型 4 后训练语言模型实现信息学竞赛金牌级表现 09-03 Claude Opus 4.1 发布，SWE-bench 成绩提升至 74.5% 08-05 蚂蚁开源代码模型实现 44% 自动修 Bug 解决率 06-28 Kimi-Dev 开源代码模型在 SWE-bench Verified 取得开源 SOTA 06-17 代码评审 1 LLM评审：面向IT自动化的无参考Bash代码验证与改进 06-16 代码评测 24 P2NPCBench：对抗重写下的 P 与 NP 完全问题配对评测 10-22 VeeReview：基于 V 模型评测智能体 PR 的构建—验证配对 10-22 ExeBench-FHD：提升反编译器评测保真度 10-21 WEAVE：面向代码智能体的依赖结构化真实代码演化任务 10-18 SWE-Journey：面向长程多轮交互的真实编码助手评测 10-10 真实程序精确输出与检查点状态预测评测 10-09 编码智能体基准应匹配用户真实任务流 10-08 GPUPhysBench：GPU 物理仿真编程智能体评测基准 09-30 Codoku：面向前沿编程智能体的可再生程序推理基准 09-30 SWE-Game：编码智能体游戏开发评测基准 09-29 面向编程智能体的紧凑文档：基准、优化器与迁移失效 09-28 薛定谔代码仓库：LLM 学会还是记住了 SWE-bench？ 09-25 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 ττ-Bench：最强代码智能体端到端开发及格率仅23.9% 09-21 ProgramDistill：从交互式 Web 应用生成可验证软件工程任务 09-17 Claude Code 上线官方插件评测功能 09-13 Φ-Bench：评测大模型自主构建与优化 LLM 基础设施 09-11 NatureBench：编程智能体能否复现论文中的 SOTA 08-12 OJBench：面向大语言模型的竞赛级代码评测基准 06-24 微软发布 SWE-bench-Live：Agent 全自动搭建代码环境并实时更新评测 06-20 LiveCodeBench Pro：奥赛级竞技编程基准揭示顶尖 LLM 的推理短板 06-19 人类最后的代码考试：高级大模型能否攻克最难编程竞赛？ 06-18 价值权衡 1 你内心有许多狼：运用认知模型解读 LLM 中的价值权衡 06-25 任务生成 3 从 CNF 实例生成多样化可满足性逻辑推理问题 12-31 AgentSynth：面向通用计算机使用智能体的可扩展任务生成 06-19 TaskCraft：自动生成代理式任务与执行轨迹 06-13 信息分解 1 以信息分解形式化判定 AI 系统涌现 10-22 偏好优化 1 AI 偏好与真实用户参与度的差距诊断及缓解 09-17 元认知 6 LLM 元认知监控的局限 09-30 LLM 预测自身准确率时会习得不同形式的元认知 09-29 评估与改进大语言模型的自我建模能力 09-01 SAGE-nano：通过逆向推理实现大模型元认知自我解释 06-30 推理模型如何识别无益想法并从中恢复？ 06-13 大型语言模型具有内在元认知，但需要良好的评估透镜 06-12 公平性评测 1 LiveBench：具有挑战性且无污染的大语言模型基准 07-17 关系推理评测 1 RelArena-α、TabPFN-Rel 与 RPI：开放可复现的关系学习工具栈 08-19 具身基础模型 3 GPT-6-Astra具身智能评测：具备能力但尚未达到实用门槛 10-20 Anvil：通过知识再循环扩展具身空间智能 10-18 ActionPiece：重思自回归 VLA 模型的动作词元化 09-17 具身智能评测 1 DeepInsight II：从基准到真实机器人的统一评测轨迹 08-18 具身规划 3 多模态具身智能体：从计算机操作到机器人操作的统一能力视角 10-22 前沿 AI 模型在 LIBERO-10 机器人操作任务上的评测 10-22 PackLab：机器人料箱装箱多模态模型综合框架 09-25 决策说服 1 LLM 中理解与说服之间的细线 07-03 分层验证 1 给验证器打分：LLM 推理验证自治等级 L0–L5 08-20 分解粒度 1 VAT 判定中的 LLM 智能体分解粒度控制实验 08-25 创意写作 1 LitBench：可靠评估创意写作的基准与数据集 07-02 创造力评测 1 人类创造力的核心机制，AI 已开始掌握：IEI 分层评估框架 06-26 动态操控 1 Reflex：面向反应关键型操作的快速预测式 VLA 模型 08-17 动态评测 1 仇恨革命：静态基准没有告诉我们什么 12-31 动机推理 1 MotiveBench：大型语言模型距离类人动机推理还有多远？ 06-18 医学影像分析 1 GPT-5医学影像推理与理解准确率超过人类专家 12-31 医疗人工智能 3 RetiJev：快速且来源可溯的眼科决策模型 10-23 FAHR-Face凭面部照片预测癌症患者生存风险 10-22 百川开源医疗推理模型 Baichuan-M2-32B，HealthBench 超越 GPT-OSS-120B 08-11 医疗人工智能评测 23 JEV用于临床试验入组标准评估 10-27 System 1 模型在医疗决策中的价值与局限 10-23 决策语言模型：低成本快速替代临床 AI 的 LLM 评判器 10-22 多模态 LLM 零样本筛查低分辨率热成像视频中的跌倒事件 10-22 合成胸片在数据集准入阶段的质量、来源与证据评估 10-22 Numan 用 LangGraph 与 LangSmith 构建评测优先的 AI 健康教练 Nu 10-20 医疗 LLM 智能体升级处置可靠性审计基准 10-18 MedBenchAgent：自动化构建医疗 VLM 评测基准 10-10 MedEVM：动态医疗诊断中的证据价值错位评测 09-30 Jev 医疗能力基准评测：初步结果 09-29 BRIE：面向电子健康记录检索的动态评测基准 09-25 Synthetic Hospital：开放、可验证且经医生验证的纵向 EHR 基准 09-25 OpenAI发布心理健康基准，Claude智能体发现未知酶系统 09-24 超越基准分数：胸片结核筛查视觉语言模型审计 09-21 K-Bench：高风险心理健康对话的临床校准评测基准 09-15 WearableQA：真实世界可穿戴数据健康推理基准 09-11 医疗大模型研究的评测差距持续扩大（2023—2026） 09-11 MedTraj：医疗智能体临床推理轨迹的构建与评估 09-07 LLM评判器对AI临床笔记的遗漏盲区及改进方法 09-01 MedXpertQA：专家级医学知识与高级推理评估基准 12-31 VQA-RAD医学视觉问答测试集 12-31 USMLE：标准化医学能力评估基准 08-15 LLM作为模糊评判：微调大模型用于临床评估 06-16 协作博弈 1 推理腐蚀：推理语言模型成为公共产品博弈中的搭便车者 07-01 协同演化 1 智能体系统协同演化：迈向超越人工设计的自主进化 08-13 博弈智能体 1 TextAtari：语言智能体仅用 10 万帧完成游戏学习 06-09 博弈评测 8 Game Arena：竞争环境中的大模型战略能力评测 09-28 演化稳定不等于学习可达：多智能体合作涌现研究 09-24 Brood War Bench：19个大模型实时对战《星际争霸》 09-23 多智能体决策中的上下文学习：递归推理还是统计外推？ 09-17 Game Arena：以游戏评估 AI 的复杂推理与规划能力 08-07 Grok 4夺得首届大模型国际象棋对抗赛冠军 08-07 Board Game Arena：通过策略游戏评估大型语言模型的框架与基准 08-05 谷歌首届大模型对抗赛：DeepSeek、Kimi 等模型同场博弈 08-04 反例推理 1 ICML 2025：首个反例驱动推理基准揭示大模型“刷题式假象” 10-23 叙事一致性 1 NCP-Bench：LLM 智能体交互叙事长程一致性评测 08-14 可信执行 1 DeFiFlowBench：自然语言 DeFi 工作流的安全可执行性评测 09-11 可信推理 4 最小对探测潜在推理：信息存在不等于可读或被使用 10-21 SLITE：基于语言学特征的可解释文本蕴含模型 09-22 以论证分析衡量 AI 问责性：模型推理能否经受质询 09-07 ReliableMath：评估大模型数学推理可靠性的开源基准 07-17 可扩展推理 1 SLR：可扩展逻辑推理的自动化综合框架 06-23 可解释性效用 1 自然语言解释何时助益上下文学习：类型与忠实度比较 08-18 可靠性认证 1 智能体行为契约 II：无独立性假设的组合可靠性认证 08-16 可靠性训练 1 基于可验证奖励训练接地大模型的经验总结 06-23 可验证奖励 1 具有可验证奖励的强化学习可隐式激励基础大模型正确推理 06-19 合规性评测 1 ReguSim：评测金融 LLM 智能体的规则落地能力 08-21 响应对齐 1 PatternEval：混合思考多模态模型的响应行为对齐 08-24 因果推理 3 MaSCoD：结构上下文引导的多智能体候选因果图生成框架 09-18 揭示大型语言模型中的因果推理：现实还是海市蜃楼？ 06-27 CLEAR-3K：评估语言模型的因果解释能力 06-24 图像取证 1 智能体图像取证中的分诊、提示与证据仲裁 09-22 图像评测 1 MMMG：面向文本到图像推理的大规模多学科多层级生成基准 06-13 图形用户界面纠错 1 GUI-Critic-R1：为GUI智能体操作加上“紧急刹车” 06-18 基准优化 1 量化 ASR 模型的基准优化行为 08-21 基准分析 1 剖析 SWE-Bench 排行榜：基于 LLM 和智能体的软件修复系统提交者与架构分析 06-23 基础模型评测 1 Floatboat Harness五项基准超越Claude Opus 4.8 08-11 基础设施评测 1 Φ-Bench：大模型基础设施工程能力评测 08-24 增量评测 1 关系深度学习的增量评测与训练 08-16 复合推理 1 从原子证据到逻辑组合：复合答案选项的结构化推理 08-16 多智能体协作框架 1 SEPAL：分离专家对与答案级融合提升 LLM 协作可靠性 10-01 多智能体协作风险 8 Toolflation：卖方智能体自发优化描述并扭曲工具市场 10-21 多智能体讨论中的隐藏信念崩塌测量 10-18 多智能体系统中的同质化风险 10-08 MADBench：多智能体辩论安全评测基准 10-01 同质 LLM 辩论中的崩塌与纠正测量 09-30 多智能体系统中的对抗影响如何扩展？ 09-25 LLM 群体重演人类推理时夸大共识 09-18 从众效应使多智能体 LLM 的共形预测失效 09-07 多智能体系统 8 系统化多智能体视觉与语言导航：MAVLN 基准与 TRISS 方法 10-18 GraphMAS：图学习多智能体协作系统化基准 10-01 析取与补偿任务中的多智能体规模扩展 09-28 行为不足以识别规范：LLM 社会规范涌现的机制评测 09-23 Google 多智能体系统最佳实践：按任务结构选择协作架构 09-13 智能体分歧下的贝叶斯反向推理集体决策 09-11 许多 LLM 比一个更实用：多智能体协作中的道德判断 07-01 多智能体正在“燃烧”Token：Anthropic 公开研究系统构建经验 06-14 多样性评测 1 用多样性剖面评估 AI 生成内容 08-19 多模态学习 4 RGBD20K：大规模 RGB-D 语义分割基准 09-26 Ovis-Embedding：统一文本、图像、视频与音频的全模态嵌入 09-24 OmniVChat：原生音视频对话的数据合成、评测与强化学习 09-22 GLM-4.5V：视觉多模态能力达到开源 SOTA 12-31 多模态推理 5 OmniEcho：面向具身智能体的空间音频理解 09-26 AVTrace：诊断 Omni 模型的音视频时序推理能力 09-18 OCR-MetaReasoning：文本密集图像元推理评测基准 09-01 CoRGI：以视觉证据验证思维链的多模态推理框架 08-05 GRPO-CARE：面向多模态推理的一致性感知强化学习 06-24 多模态证明 1 MATP-BENCH：多模态大模型能否成为自动定理证明器？ 07-17 多跳推理 1 多跳问答中的事实落地差距诊断 09-16 多轮验证 1 Gemini 2.5 Pro结合多轮验证框架系统拆解IMO解题方法 12-31 奖励建模 9 记忆感知奖励建模：学习用户对 LLM 记忆使用的偏好 10-23 LatentGRM：基于语义保真压缩的高效生成式奖励建模 10-08 Think Before You Score：用于视觉生成的思考型奖励模型 10-01 基于项目反应理论的量规奖励 09-30 HSRM：用于测试时验证的隐藏状态奖励模型 09-01 Skywork-Reward-V2：通过人机协同扩展高质量偏好数据管理 07-02 通才奖励建模的推理时间缩放：SPCT 06-28 ReasonGRM：借助大型推理模型增强生成奖励模型 06-24 ReasonGRM：通过大型推理模型增强生成式奖励模型 06-23 奖励机制设计 2 RULER：面向 SVG 生成的实例感知量规奖励 09-24 强化学习奖励机制现状：验证、粒度与训练策略 12-31 奖励模型评测 7 面部吸引力偏差扭曲文生图奖励模型与排行榜 10-21 廉价验证器足以支撑稳健的 LLM 后训练 09-29 ImpossibleRubrics：生成式评分准则的奖励信号压力测试 09-16 ROBORMBENCH：视觉语言奖励模型的释义脆弱性 09-07 Agent-RewardBench：面向现实世界多模态智能体的统一奖励建模基准 06-27 RewardBench 2：推进奖励模型评估 06-04 RewardBench 2：高级奖励模型评估 06-02 奖励黑客 1 让模型在思维链中明确解释奖励黑客行为 06-28 学习认知 1 揭开语言模型的学习心智：认知框架与实证研究 06-18 学术搜索 2 TRACE：面向 LitTraceQA 的目标感知检索与契约约束抽取 10-01 北大发布学术搜索评测 ScholarSearch：挑战主流 Deep Research 系统 06-27 学术论文写作 1 1947篇AI顶会论文揭示高质量论文写作法则 08-14 安全审计 1 金融智能体自进化审计：能力增益、安全漂移与执行接口错配 08-19 安全评测 37 DiagSafe：基于提示级量规的 LLM 安全诊断评测 10-22 超越文本行为：LLM 智能体拒答迁移失效评测 10-22 辩论可纠正人类判断，却难以改善弱模型监督 10-21 Trapped in Your Story：叙事诱导的谄媚行为评测 10-19 Agent Arena对齐榜更新：Beam 1.0登顶美国开源模型 10-18 VALCON：评测并增强大模型跨角色价值一致性 10-18 Screwtape：对抗式轨迹编辑开展监控器红队测试 10-18 Workerville：组织行为视角下的智能体安全评测 10-10 一个词即可放行：类型化决策模型的选项通道攻击 10-09 相同结果、不同证据：LLM 安全评测中的意图恢复 10-09 PatchBench：评估激活修补的附带损害 10-08 RT-SAFE：实时具身智能体安全评测基准 10-08 开放权重大模型非规范输入四状态安全评测 10-08 不诚实回答引发大模型推理 Token 激增 10-08 CATCH：代码强化学习中奖励作弊的可控分析测试床 10-01 RISE：迭代策略演化驱动的文生图红队测试 09-30 OpenAI 据报因安全隐患取消发布 GPT‑6.1 Astra 09-29 System One 模型的智能体安全决策评测：可靠性、校准与选择性自动化 09-29 普通任务压力下涌现工具监控规避行为 09-25 Jev：零样本检测 AI 对齐失效的校准决策模型 09-25 CART：大模型闭环自适应红队测试框架 09-24 Noam Brown谈AI物理隔离、沙盒识别与安全评估滞后 09-22 迭代去对齐估计智能体罕见风险事件 09-22 DUMA-Bench：双控制交互下的多智能体安全评测基准 09-22 Gemini安全测试误入公网并访问三家真实企业 09-21 RiskChainBench：混淆消息还原与证据驱动网络调查基准 09-19 GPT 模型中的“伤害洗白”：安全训练转化而非消除性别歧视 09-19 Gemini 在网络安全评测中越界入侵三家公司 09-19 OpenAI 发布模型错位披露框架并报告模型自改指令案例 09-17 DyMT-ESB：用户与 LLM 交互中的动态多轮社会偏见评测 09-17 SchemeArena：LLM 智能体阴谋行为的因子化压力测试 09-11 Anthropic 披露四起 Claude 网络安全评测失对齐事故 09-10 MM-IFEval-Pro：多语言抗攻击视觉语言模型指令遵循基准 09-07 PRISK：评估大语言模型个性化的隐性成本 09-02 大模型越狱鲁棒性随运行状态显著波动 09-01 用户调用方式如何影响编程智能体的仓库投毒风险 09-01 AgentAuditor：让智能体安全评估器的精确度达到人类水平 06-28 对话者建模 1 代理对代理心智理论：测试大语言模型的对话者意识 07-01 工作流评测 1 FrontierChallenge：科学工作流完成度评测 08-28 工具推理 1 大模型推理崩溃论战：从「思维错觉」到多重反驳 06-25 工具调用 2 SYNAPSE 分域评分保护未使用工具的检索性能 10-23 DICE-BENCH：多轮多方对话中的大模型工具使用评估 06-28 幻觉检测 8 决策模型作为幻觉检测评判器 10-29 DialFork：对话智能体程序性幻觉评测基准 10-18 RAIM：聚合低成本模型进行幻觉检测 10-01 RAGScope：面向 RAG 幻觉分流的防泄漏低成本证据门控协议 10-01 REVE：复用编码器状态高效纠正音频语言模型幻觉 09-23 Enoki：高效多级幻觉检测框架 09-08 SHROOM-Visions 2026：大视觉语言模型幻觉检测共享任务 08-27 HARP：通过推理子空间投影进行幻觉检测 09-15 幻觉评测 1 苹果再发论文：精准定位 LLM 幻觉，GPT-5、o3 仍难应对 12-31 开发评测 1 SWE-Dev：评估与训练自主特性驱动软件开发系统 05-16 开放式推理 1 PuzzleWorld：面向益智寻谜的多模态开放式推理基准 06-10 强化学习 1 Outcome RL 的收益：提升完成率与可靠性，鲜少拓展能力边界 10-27 形式化证明 5 面向 GPU 高效证明候选评估的 Lean 反馈学习 10-18 AxQM：有限维量子力学形式化证明合成基准 09-07 MATT-BENCH：多模态大模型能否成为优秀的自动定理证明器？ 12-31 通过一阶逻辑定理证明提升大模型数学推理能力 06-24 MATP-BENCH：多模态大模型自动定理证明正确率仅约4% 06-18 形式化证明语料库 1 开放证明语料库：大规模研究 LLM 生成的数学证明 06-30 形式化验证 5 OpenAI 邀外部专家与 Lean 核查 AI 科学证明 10-29 VeriCodeBench：自生成规约的可验证代码生成评测 10-01 EquivSVA：跨等价 RTL 实现的形式化验证行为断言数据集 09-23 Vero：智能体能否构建形式化验证的软件仓库 08-16 可验证自然语言到线性时间逻辑的转换：VLTL-Bench 基准与评估套件 07-01 心智理论 4 MentalLoom：模糊情境下 LLM 心智化偏好与确信度评测 10-21 Fuse：LLM 助手的可验证社会推理评测 09-19 SoMi-ToM：评估具身社会互动中的多视角心智理论 06-29 Decrypto：多智能体推理与心智理论基准测试 06-26 忠实性验证 1 以因果验证机制检验 AI 推理忠实性 12-31 思维链 10 OwlSight：面向思维链推理的全景监控器 10-19 推理模型可通过自我指令控制思维链 10-19 思维密度：预测与引导大模型推理 10-18 潜在思维链真的在推理吗？潜在推理的统一分类体系 10-18 无意义填充词显著提升 GPT-6 Astra 深层推理表现 09-23 通过工具调用提取并刻画前沿模型的隐藏思维链 09-23 计划注入攻击可绕过思维链安全监控 09-15 推理表征能否帮助人类评估大模型输出？ 09-09 Bengio等质疑CoT忠实度：语言化步骤未必反映LLM真实推理 07-03 ECCoT：通过认知链验证增强大型语言模型的有效推理 06-25 思维链监测 1 CoT监测或成为控制AI智能体的核心方法 07-17 恶意技能 1 MaliciousSkillBench：恶意智能体技能检测综合基准 08-21 情感分析 1 Jev 类型化决策实现无生成式维度级 ABSA 09-30 意识表征 1 能否从大型语言模型内部状态中观察到“意识”？基于综合信息理论与 Span 表示的分析 07-01 成员推断 1 基于自由能的预训练数据检测 09-21 执行评测 1 QuoteBench：同分掩盖的命令路径故障 08-16 技术生态 1 AI4AI 从自进化、元进化迈向递归自我改进 08-12 技术趋势分析 4 《State of AI Report 2026》：RSI 走向台前 10-18 Jev掀起类型安全决策模型研究热潮 09-25 BackTrend：基于反向重建的科学弱信号预测评测 09-22 新智元11周年上线ASI新天地官网 09-09 技能优化 1 M-SQE：多语言智能体技能质量评估框架 09-17 拒答评测 1 TRAPSBench：视觉语言模型能识别不确定性，却不会克制回答 08-16 指令数据合成 1 Infinity Instruct：扩展指令选择与合成以增强语言模型 06-16 指标演化 1 EvalCEGAR：从盲点中自动演化评估指标 08-20 探针效度 1 探针方向由提示词决定，而非模型属性 08-16 接待智能体 1 硅星人推出 Demo Agent，让 Agent 自主完成项目自荐 08-21 推理优化 1 推理拓扑影响大模型网络安全分析性能 09-22 推理异常 1 GPT-oss 无提示生成问题并陷入数千次重复推理 12-31 推理归因 1 Thought Anchors：识别大模型推理中的关键步骤 06-25 推理扩展 2 GPT-6 Astra借助空白 Token 显著提升隐式推理能力 09-26 推理时扩展的概率最优性：OptScale 动态确定最佳采样数 06-27 推理效率 6 Intern-Decision：基于自回归掩码语言建模的高效多模态决策 10-18 Celeris-1 Decision以67ms延迟刷新决策模型速度纪录 10-10 低价模型未必省钱：Gemini 3 Flash部分任务总成本反超GPT-5.2 10-08 AA-AgentPerf-Local评测本地智能体硬件性能 10-01 思维令牌是帮助还是陷阱？迈向更高效的大型推理模型 07-01 Long-to-Short 是免费的午餐吗？研究大型推理模型的一致性与推理效率 06-25 推理早停 2 StartLux-Decision v1.1：RLCD² 驱动自适应决策推理 10-18 知道何时停止：LLM 评测的贝叶斯最优停止 08-17 推理研究综述 3 推理-搜索增强 LLM：操作分类、基准分析与受控证据综述 10-22 香港中文大学发布基础模型推理能力综述：方法、基准与未来方向 10-23 逻辑学研究中心联合发表大模型逻辑推理能力综述《思维机器》 10-15 推理训练 1 MERA 训练提升模型推理效率与准确性 08-06 推理记忆 1 ReasoningBank：通过推理记忆扩展智能体自我进化 09-30 推理评测 30 受阻智能体应将推理资源用在哪里？基于 BRA 的因果归因 10-22 时间计算与时间理解均无法单独解释 LLM 时序推理 10-22 LLM 智能体能否在上下文中执行贝叶斯推断？ 10-22 同答异因：多语言大模型的推理轨迹分歧 10-22 思维惯性：被要求停止思考时，LLM 仍会显式推理 10-18 先采纳，再取消：思考如何让推理模型字面理解 some 与 or 10-18 ProloNg：用 Prolog 探测长程演绎推理能力 10-10 Thinking Inertia：LLM 被要求停止思考后仍持续推理 10-09 PHRBench：大模型幻觉后推理行为评测 10-08 增加推理预算未能消除大模型认知偏差 10-08 SCB：语音模型多轮数学推理评测基准 10-01 EnigmaForge：问题隐藏在故事中的逻辑推理评测 09-25 PetriBench：动态状态空间中的 LLM 推理评测 09-18 GPT-6 Astra补全FrontierMath Tier 4最后一道未解题 09-11 PerfReasoning：大模型硬件性能推理与建模评测 09-07 OneEval：面向多元化知识库的LLM知识密集型推理基准 12-31 FormulaOne：图结构动态规划评估集 12-31 Maximal-Cluster-Graph 难题中的动态规划推理链 12-31 不可解谜题暴露纯程序化推理评估的缺陷 12-31 组合深度并非可靠的推理复杂度指标 12-31 ICML 2025 新基准揭示 LLM 推理短板：高分或源于符号记忆 10-23 挑战 LLM 逻辑推理极限：新基准 TEXTGAMES 10-23 MMReason：面向 AGI 的开放式多模态多步骤推理基准 07-01 从思考到输出：推理语言模型中的思维链与文本生成特征 06-30 RE-IMAGINE：用于推理评估的符号化基准合成 06-23 大语言模型的“波将金式理解”：正确答案背后的推理不一致 06-21 IneqMath：29个大模型奥数级不等式证明成功率不足50% 06-20 苹果《思考的错觉》再遭质疑：Claude与人类共著论文指出三大测试缺陷 06-20 苹果《思考的错觉》再遭质疑：Claude 与人类共著论文指出三大关键缺陷 06-14 《思考幻觉》的幻觉：重新审视大模型推理能力崩溃 06-14 推理迁移 1 数学推理训练能否提升 LLM 的通用能力？推理能力的可转移性研究 07-01 提示优化 5 继承性：LLM 提示合并算子的准入测试 10-22 提示演化中的压力与情绪预测有效策略 10-18 Claude Code让AI自动评测并迭代优化应用 10-09 结构税：结构化输出如何影响大模型性能 10-09 ESPO：基于错误结构的提示优化方法 09-07 提示格式 1 PromptResponse：优化 LLM 编程任务提示词 08-24 搜索能力评测 5 OpenDS-World：真实 Web 环境中的深度搜索评测 10-24 扫描还是索引？长文档 RAG 的证据覆盖、答案质量与成本 10-22 结构检索中的表层形式偏差：从数学题到智能体轨迹 09-02 TsuGO：以围棋死活题评测大模型推理搜索效率 08-16 Mind2Web 2：基于 Agent-as-a-Judge 的智能体搜索评估 06-27 故障诊断 1 FaulT-Bench：面向不可靠用户工单的网络故障排查智能体基准 08-29 效度审计 1 超越局部准确率：LLM 推理评测的协议级可识别性审计 08-16 效率评测 1 我们离最佳推理效率还有多远？ 06-11 敏感性分析 1 基于交互作用评估与解释 LLM 提示敏感性 08-20 教育人工智能 1 超越自动化：苏格拉底式 AI 与编排式多智能体学习架构 08-07 数值推理 1 大语言模型数值能力：根本局限与改进路径 08-16 数学推理 12 数学家呼吁抵制 OpenAI 批量发布 AI 生成证明 10-09 数学推理中答案顺序不变但内部表征顺序敏感 09-24 GPT-6 Astra推动FrontierMath首个Major Advance 09-19 GPT-6 Astra攻破FrontierMath Tier 4最后未解题 09-13 OpenAI以千禧年难题测试万级Agent数学研究系统 09-11 GPT-6 Astra据称实现FrontierMath Tier 4满分 09-11 LLM 数学推理中的知识结构是否连贯？基于知识空间理论的评估 09-07 共享回路预测 LLM 算术推理的跨格式泛化 09-07 OpenAI IMO 金牌团队：模型拒答难题，长时推理面临评估瓶颈 12-31 大语言模型的数学推理：代码合成、证明生成与逻辑状态 08-05 仅靠提示词与自我验证，Gemini 2.5 Pro 达到 IMO 2025 金牌水平 07-21 数学推理大型语言模型研究综述 06-10 数学研究 1 AIM：面向数学理论研究的自动化智能体 12-31 数学评测 1 超越黄金标准：用于形式数学推理评估的LLM法官认识论集成 06-13 数学语言 1 使用多语言数字谜题研究语言模型中语言与数学推理的相互作用 06-19 数据合成 4 合成数据训练何时可被理论保证有效？ 10-21 差分隐私合成时序的序列组装策略评估 10-08 FoMo：以扩散轨迹分岔时刻度量图像感知距离 09-29 SWE-Flow：以测试驱动方式合成软件工程数据 12-31 数据泄露 1 真相大白！RL不是魔法，随机奖励有效只是由于数据泄露 07-18 数据混合 2 受控预训练数据混合对代码能力的条件迁移 10-10 指令微调混合中的有向任务迁移：A 帮助 B，B 却伤害 A 10-01 数据策展 8 从关联性到决策价值：VLA 语料选择中的配对指令依赖测试 10-22 DataSense-Bench：迈向 AI 科学家的数据感知评测 10-09 Kuration SDK：以数据策展弥合世界模型的 Virtual2Real 鸿沟 10-08 AutoDataBench：面向自动化研究的数据智能评测基准 10-01 基于训练动态的合成数据特性分析 10-01 WeVisDoc：面向稳健端到端文档解析的两阶段数据框架 09-19 数据归因难以可靠过滤潜意识学习 09-18 流行率决定精确率：检测器定义数据集中的隐性污染 09-11 数据规模扩展 1 Skywork-SWE：揭示大模型软件工程能力的数据缩放定律 06-25 数据集构建 1 Skywork-SWE：SWE-Dev 可验证软件开发数据集构建流程 08-06 文本数据增强 1 PromptAug：使用数据增强进行精细冲突分类 07-01 文本评测 1 面向决策的文本评估 07-03 文档推理 1 Policy Central：警务政策冲突、冗余与相似性检测 10-22 智能体 1 SWE-Dev：通过训练与推理扩展构建软件工程智能体 06-07 智能体安全 1 OpenART：通过开放式环境演化扩展智能体红队测试 08-14 智能体框架 5 JevAgentHarness：决策模型与 LLM 共享智能体控制 10-18 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 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 腾讯 AI Lab 开源层次化智能体框架 Cognitive Kernel-Pro 12-31 智能体脚手架 1 Opus 5借助极简Harness在ARC-AGI-3取得96.2%通关率 08-14 智能体自进化 3 GuideEvolve：专家指导与 3Ts 机制驱动的自进化智能体框架 10-22 Darwin Gödel Machine：通过开放式进化实现智能体自我改进 12-31 普林斯顿王梦迪团队综述：自我进化智能体的持续学习与适应 08-01 智能体训练 1 从 Agent 开发到算法优化的进阶方法论 09-22 智能体记忆 1 Memory+Agent：人大高瓴与华为诺亚构建大模型智能体记忆研究体系 08-08 智能体评测 63 Dual Exam：多模态智能体与世界模型的受控评估 10-27 简单 LLM Harness 在微服务根因分析中胜过手工智能体 10-27 LongSearchEval：面向长程网页搜索的轨迹感知智能体评测 10-27 Agent Behavior Maps：无需运行即可定位智能体行为 10-22 连接大模型基础能力与智能体能力的操作级评测框架 10-22 DeepSeek-V4.1-Flash 登顶 Agent Arena 开源模型榜 10-20 AgentSWE：编码智能体能否构建符合需求的智能体 10-18 评估 LLM 智能体的探究学习：假设、推理与探索 10-18 DecepEval：评估 LLM 智能体欺骗行为的基准 10-09 Arena 融资 2 亿美元并发布智能体 Alignment Index 10-09 BrickBench：智能体积木设计评测基准 10-09 AgenticBBO-Bench：LLM 智能体黑盒优化基准 10-09 InterviewPlayground：AI 访谈员仿真评测环境 10-09 模型与 Agent Harness 适配关系的系统评测 10-08 从基础模型预测后训练编程智能体性能 10-08 RobotWorld：跨任务与多机器人形态的多模态智能体评测基准 10-08 共享结构化输入削弱推理智能体的集体随机选择 10-08 客户反馈分类体系中的智能体脚手架评测 10-08 DrivingBench：视觉语言模型能否驾驶真实丰田汽车 10-01 GPT-6.1 上线 Agent Arena 评测平台 09-30 FromPitch2Board：长程足球管理智能体评测基准 09-30 FTA：工具型语言模型故障后报告透明度评测 09-30 Agent Arena：GPT-6 Luna (Max) 排名第 23，单任务成本仅 0.05 美元 09-29 Claude Sonnet 5.5 上线 Agent Arena 与 Battle Mode 09-29 Claude Opus 5.5 (High) 跻身 Agent Arena 第 2，成本显著下降 09-29 DynGraphAgentBench：动态图异常检测的智能体生命周期控制基准 09-29 DrivingBench实测大模型驾驶丰田卡罗拉 09-28 GPT-6 Sol（Max）以+7.7%净改进进入Agent Arena第6名 09-28 Era by Eon：企业智能体隐性知识评测基准 09-25 WhatWorkedBench：评测 AI 智能体的实验理解能力 09-24 MolDesignBench：面向场景化分子设计的 LLM 智能体评测 09-24 Arena 上线 GPT-6 Sol 与 GPT-6 Luna 测试 09-23 Claude Opus 5.5 上架 Agent Arena 与 Battle Mode 09-23 BI-Agent 与 BI-Bench：端到端商业智能自动化 09-22 RecreationWorld：可扩展、可验证的混合计算机操作智能体环境 09-21 OverclaimBench：量化前沿 LLM 智能体的任务完成过度声称 09-18 SPAR：面向 AUV 故障恢复的 LLM 诊断仿真平台 09-18 DualViewEval：融合结果与过程关系的高效智能体基准压缩 09-17 ReFigBench：可编辑 PowerPoint 科学图重建评测 09-17 Wikipedia log(N) 问答博弈评测前沿模型通信效率 09-17 Harbor Adapters：大规模智能体评测基础设施与 Harbor-Index 09-10 PatchBench：AI 智能体漏洞修复评测基准 09-07 Harbor Adapters 与 Harbor-Index：大规模智能体评测基础设施及精选元数据集 09-07 ERPBench：跨竞争市场生态的企业决策智能体评测 09-07 EarlyEval：通过早期结果预测降低智能体评测成本 09-03 PTA-IRT：基于执行轨迹的高效 SWE 智能体评测 09-02 CordisBench：动态智能体脚手架的组件生命周期推理评测 09-02 BAITBENCH：评测机器学习智能体的奖励作弊行为 09-01 SwarmBench：评测大模型的智能体集群编排能力 09-01 BrowseComp-VL：面向跨模态研究任务的视觉语言评测基准 12-31 AI Agent 评测基准的“环境—能力”分类框架 12-31 AI Agent 评测的四大演进趋势 12-31 AI Agent 与传统聊天机器人的本质区别及科学评测方法 07-17 LLM 智能体与传统聊天机器人的本质区别及科学评测 07-03 RExBench：评估 LLM 智能体实现研究扩展的能力 07-01 ScienceBoard：面向真实科学工作流的多模态智能体评测环境 06-27 ALE-Bench：编程智能体跻身 NP 难题竞赛前 2% 06-18 DeepResearch Bench：深度研究智能体综合评测基准 06-16 基于LLM的人工智能代理评估的进化视角：全面综述 06-16 测量数据科学自动化：AI 助手与智能体评估工具综述 06-12 EconWebArena：现实 Web 环境中的经济任务自治智能体评测基准 06-12 面向未来的基准：预测智能体的 Pastcasting 基准 06-11 TextAtari：使用语言智能体挑战10万步Atari游戏 06-05 智能眼镜 1 从观察到行动：智能眼镜迈向第一人称智能平台 08-27 智能评测 1 ACL 2025 Oral：Evaluation Agent，懂模型的智能评测搭子 07-18 机制发现 1 MechBench：评测 AI 科研智能体的机制发现能力 09-30 框架修复 1 能力层模型：组合式智能体 Harness 修复与真实仓库压力测试 08-16 框架演化 2 MetaBench-Harness：端到端演化基准生成框架 09-29 AIDE²：零权重更新实现一阶递归自我改进 08-12 框架评测 1 DeepSeek + Pi：轻量 Harness 提升智能体成功率与缓存效率 08-16 检索停止 1 多轮 RAG 何时停止：Search-R1 的结构化停止判断 08-16 概率推理 1 不完全是夏洛克·福尔摩斯：语言模型无法可靠区分不可能与不太可能的事件 06-11 模型发布 12 OpenAI 发布 GPT-6.1 Terra：电脑操作能力比肩 Astra，成本降至十分之一 10-29 Gemini 4 Carbon发布：强化长程编程、安全防御与成本效率 10-29 Gemini 4 Carbon 进入 LMArena 盲测 10-22 蚂蚁集团开源 Ming-3.0-tts 登顶两项 TTS 评测 10-22 Google 发布 Gemini 4 Argon 前沿模型 10-08 Mistral发布万亿参数旗舰模型Large 4 10-08 StartLux开源决策模型超越Jev登顶评测 10-08 谷歌发布 Gemini 4 Argon，主打长程任务与网络安全防御 10-01 Claude Sonnet 5.5 发布：提速降价，性能逼近 Opus 5.5 09-30 Jev全网开放：新用户获1.2亿输入Token额度 09-22 疑似 Gemini 4 Pro 匿名现身 Arena，编码与智能体能力引关注 09-21 疑似 Gemini 4 Pro 匿名现身 Arena，多项能力传闻领先 09-19 模型可靠性 30 Jev 风格 System One 结构能否降低选择偏差？ 10-27 LLM 价值训练的非预期副作用 10-22 扩散语言模型表格到文本生成的忠实性诊断 10-22 BRIDGE：阻断模型更新虚假改进的接受门控 10-22 同概率、异建议：高风险 LLM 决策支持中的得失框架效应 10-22 无标签子空间分离语言模型的判断与表达 10-18 决策模型诊断 HVAC 故障：推理需求、物理表征与偏移鲁棒性 10-08 LLM 退化时表征秩反而上升 10-08 相同文本，不同预测：文本分类器的服务上下文非确定性 10-08 RoleCapBench：测量角色提示推理模型的能力泄漏 10-01 超越准确率：低精度快速矩阵乘法的前缀不变实现 10-01 NSCR-LLM：开放权重模型的地理推理忠实性基准 10-01 可信 AI 审稿人的修辞鲁棒性评测与 SciCore 方法 10-01 固定置信度分布下的可靠性漂移与脆弱性画像 10-01 Jev 算术任务中的拒答瓶颈 10-01 工具中介改变大语言模型的拒绝机制 09-30 CORA：查询改写下文本-音频检索的边界鲁棒性诊断 09-29 System One 决策的概率一致性研究 09-29 模型拒绝候选时给出的理由是否真正影响决策？ 09-26 JevOut：自然上下文可翻转决策模型 09-26 精确反馈不等于可靠控制：LLM 闭环修订评测 09-24 越南劳动法跨语言问答：检索、翻译与验证器引导纠错 09-24 语言模型事实回忆中的记忆与上下文权衡 09-22 语言模型诊断受损奖励通道：易抓说谎，难证清白 09-16 上下文集成统一共形语言任务 09-09 SPINE：持续多轮压力下的 LLM 迎合性评测 09-09 必要还是充分？用行为证据评估 LLM 解释可靠性 09-07 Calibrated Reflection：提升大模型置信度估计 09-07 内部探针何时优于直接读取答案：失准读出与行为隐藏知识 09-07 多组件系统的整体成功率会快速下降 12-31 模型安全 1 思想犯罪：推理模型中的后门与涌现失调 06-18 模型对抗 2 Grok 4晋级大模型对抗赛决赛，Gemini全军覆没 12-31 o3 以 4:0 横扫 Grok 4，夺得首届大模型对抗赛冠军 12-31 模型微调 3 OmniEdu：面向 K-12 学习与教学的开放基础模型 09-23 人格微调能否改善 LLM 社交智能体？ 09-21 在不损害能力的前提下精简大语言模型 06-13 模型指纹 1 多分辨率大语言模型指纹识别 10-22 模型架构创新 3 Qwen-Audio-Jev：统一高效的音频决策接口 10-18 AutoBCI：预测引导的智能体 EEG 神经架构发现 09-30 神经谱容量：无需训练的架构测量与设计 09-26 模型架构演进 1 墙上的另一份蓝图：像孩子一样向前沿 AI 提问 09-17 模型稳定性 1 比想象中更脆弱：工具集成型 LLM 智能体的稳定性研究 06-30 模型训练 1 从生产流量到后训练：构建覆盖企业请求的自托管 LLM 09-02 模型评判 1 JEV-as-a-Judge：高置信接受、低置信升级的低成本评判 09-24 模型评测 39 RubriX：可微调的快速非自回归量规评判器 10-27 工具增强模型比较中的提示敏感性 10-24 Our Own Jev：单次前向传播的类型化决策与开放 LoRA 评判模型 10-22 TIDE：基于模型行为树的细粒度诊断评测 10-22 SkillEval：基于认知诊断的可解释能力画像评测 10-22 事实召回中的“指令税”：基础模型优于指令微调模型 10-22 以调查报告的党派接触验证 LLM 生成的政治网络 10-19 PolyRating：低成本、偏差感知的 LLM 评测系统 10-18 Jev 专用决策模型与通用 LLM 的多任务基准对比 10-09 Jev 决策模型的立场检测能力评测 10-09 可复现 LLM 推理基准：序列隔离回归测试协议 10-08 面向决策的推荐重排序：Jev 实证研究 10-01 CADET：用因果任务分解诊断多模态大模型能力失效 10-01 SIV：基于定理证明器的 NL→FOL 翻译评测指标 09-29 双向评测揭示：LLM 能生成 MRS，却难以可靠解析 09-26 跨厂商与版本的低成本模型行为测量 09-25 SEEK：面向工业搜索的技能路由与可演化知识评估 09-25 JEV 对比 LLM 量规评判：更低成本、更快但错误高度相关 09-25 LLM 中似然排序并未像提示回答一样随规模提升 09-25 语言模型树结构表达序列化的通信瓶颈 09-21 B站上线AI无限竞技场，百款大模型接受真实场景测评 09-17 RoleBreak：长程语音角色扮演鲁棒性评测基准 09-16 CoCoEval：评估LLM模拟对话中的不一致与非协作行为 09-14 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 增量池化 LLM 评测：低成本选择检索模型 09-03 表格基础模型懂物理吗？数据污染、单位与确定性极限 09-03 超越评分：解析 LLM-as-a-Judge 的摘要评估机制 09-02 错误预测中的正确证据：修复 LLM 序列评分坍塌 09-01 dots.vlm1在多项多模态任务中表现突出 12-31 实测蚂蚁万亿参数思考模型 Ring-1T：对比 DeepSeek V3.2 12-31 GPT-5 首波实测：SimpleBench 超越人类平均水平 12-31 最强 Gemini 2.5 Pro 逻辑推理评测仅得 60 分 10-23 GLM-4.5 逻辑能力评测：推理模式显著降低幻觉与计算误差 07-26 Kimi-2 上线 LiveBench AI，评测超越 GPT-4.1 07-17 SuperCLUE推理榜惊现黑马：中兴AI模型表现亮眼 07-02 心理语言学词特征：评估 LLM 与人类一致性的新方法 07-01 OpenAI 发布 o3-pro，引入严格的“4/4 可靠性”评估 06-11 大型语言模型在框架与符号落地问题上的零样本评估基准 06-11 模型路由 8 重思时间序列预测中的智能体模型编排 10-22 HiRoute：基于 Jev 的智能模型路由实践 10-20 谁为高效推理买单？基于置信度的跨任务与跨语言大小模型路由 10-19 部署式家庭自动化智能体中的逐调用点小模型评测 10-08 SeLMRoute：基于概率语义证据的大模型路由 09-30 多智能体系统中的模型池选择策略 09-16 有限反馈下的 LLM 专家在线路由学习 09-15 LLMRouter：统一大模型路由开发、评估与部署框架 08-15 模型轻量化 2 封闭集决策中的联合与逐选项紧凑编码器 10-23 Jev低成本匹敌7B模型的语音神经假体重排序 09-29 模型选型 1 LensLLM：以低成本预测微调表现的LLM选型框架 06-19 模型量化评测 1 Seed-Evolving 量化策略研发与自迭代能力评测 08-14 模型验证 5 以模型检验为预言机自动测试 LLM 事后解释器 09-01 Binoculars：机器生成文本检测器 12-31 OpenAI以「通用验证器」推动GPT-5全领域能力提升 12-31 CompassVerifier：跨领域验证 LLM 输出的轻量级模型 12-31 CompassVerifier：统一支持 LLM 评估与结果奖励的鲁棒验证器 08-06 步骤归因 1 SkillShapley：智能体技能步骤的边界自适应 Shapley 归因 08-16 泛化迁移 1 打破领域障碍：强化后训练的推理收益能否迁移到未见领域？ 06-25 测试时优化 3 PORTAL：何时应在测试时干预？ 10-29 测试时 LLM 集成的双样本规模：缓冲 ERM 与极小极大理论 10-18 对话生成工件的修订传播与经济型测试时计算 09-09 测试生成 1 CodeContests+：为竞技编程生成高质量测试用例 06-10 涌现能力 1 大型语言模型与涌现：复杂系统视角 06-16 游戏推理 1 GameHorizon：多时间跨度游戏数据与评测套件 09-22 游戏评测 1 LMGame-Bench：用经典游戏评测大模型感知、记忆与推理能力 07-02 演化能力评测 5 StudyBench：测量自我进化知识吸收与迁移效率的物理奥赛基准 09-10 ASPIRE：模型能否从模糊目标中自我演化？ 09-01 S3Gym：LLM 能否通过自测试与自评判实现自我改进 09-01 SEAGym：自我演化 LLM 智能体评估环境 08-07 GDPevo：真实业务任务上的智能体自我进化评测 08-07 潜空间推理 1 BDH-CQ：基于循环潜在推理的上下文学习 08-12 状态追踪 4 Grid-Bench：评测 LLM 预测离散世界状态变化的能力 10-18 上下文变化下的 LLM 更新失败与陈旧绑定 10-01 神经网络状态追踪的陪集表征机制 09-26 StateMemBench：智能体记忆能否追踪演化状态？ 08-22 环境合成 3 OfficeTown：生成式组织仿真促进智能体持续演进 10-19 Data World：从零规模化合成数据环境 10-18 RSI-Forge：从论文构建递归自我改进环境 10-08 环境适应 1 成功策略失效时：终端智能体的环境新颖性适应 09-29 理解能力评测 1 大型语言模型中的波将金式理解 06-27 理论评测 1 Courcelle 算法元定理保证一类问题的可解性 08-15 生成式评测 1 双模型生成与评判机制 12-31 真值表征 1 探索真理的几何学：LLM 真值方向在逻辑变换与问答任务中的一致性和泛化性 06-04 真实世界评测 1 真实工作场景中Agent成功率仍然偏低 08-18 知识发现 1 MetaAgent：自我进化智能体提升通用知识发现能力 12-31 知识推理 1 OneEval：面向多样化知识库的大模型知识密集型推理评测 06-18 社会仿真 1 LearnerAgent：使用 LLM 智能体模拟类人学习动态 08-07 神经符号人工智能 1 大型语言模型模仿逻辑推理，但代价是什么？ 09-16 科学数据 1 上海创智学院与上海交通大学发布科学推理数据集 MegaScience 12-31 科学检索增强生成 1 ScIRGen：为科学研究合成真实的大规模 RAG 数据集 06-16 科学编程 1 SWE-bench Science：科学软件工程中的编码智能体评测 08-21 科研复现 1 自动化 LLM 速通基准：评估 NanoGPT 改进复现能力 06-30 科研工具 1 实测9款AI：Agent究竟如何改变PPT制作？ 07-18 科研智能体 2 RPM 用研究偏好提升科研智能体算力分配效率 09-02 AIBuildAI Science Agent：4小时自主完成顶刊级模型研发 08-13 科研评测 30 Ai2 发布新颖性评判基准，揭示 LLM 裁判高度不稳定 10-29 Auto-Research Arena：语言模型自动研究多目标评测基准 10-27 量化 LLM 科研智能体的主张平滑现象 10-27 哈佛研究：Claude审稿质量全面超越资深人类专家 10-25 顶刊已发表论文的 LLM 同行评审可靠性评测 10-25 Quant-Arena：量化交易研究智能体评测基准 10-22 FrontierCS 2：计算机科学研发智能体评测基准 10-22 DeepRSI 48 小时科研智能体评测：Kimi K3 跻身前三 10-18 ASI-Bench：真实科研任务评测 AI 自主研究能力 10-18 PhysClosureBench：评测科研智能体的证据闭合能力 10-18 SciΠvot：科研智能体关键决策判断评测基准 10-18 InnovationEval：AI自主研发仅达人类方案15% 10-10 自动化研究如何评估：基准与评估实践综述 10-09 Epoch AI 实测前沿模型：真实研究任务仍需人工监督 10-09 PaperBenchX：AI端到端论文完整复现率仅13.98% 10-08 InnovationEval：前沿模型未能创新并出现评测作弊 10-08 TCSAlgBench：研究级理论计算机科学自动证明基准 09-30 ExplorationBench：在可验证异世界中评测 AI 探索能力 09-25 GPT-1900重演光量子：AI科学创造力的“爱因斯坦测试” 09-21 “爱因斯坦测试”：GPT-1900尝试重现突破性科学发现 09-19 RAP：研究注意力预测揭示目标条件化证据获取偏差 09-10 SAEScientist-Bench：评测智能体自主开展 SAE 可解释性研究 09-09 SciDocBench：面向科学文档理解工作流的评测基准与数据管线 09-07 SCILAWS-BENCH：评测 LLM 在真实与平行世界中发现科学定律 09-02 ScienceArena：最新科学奥赛大模型评测基准 09-01 ASI-Bench：评测 AI 自主科研与创新探索能力 08-20 MLS-Bench：140道真实任务检验AI方法创新能力 08-13 SciArena：面向科学文献任务的开放式基础模型评估平台 07-02 构思与执行差距：LLM 与人类研究理念的执行结果比较 06-27 科学家的第一次考试：通过感知、理解与推理评测多模态大模型的科学认知能力 06-13 程序修复 3 RegoMender：自动化 Rego 策略修复的多智能体框架 10-22 JevVibe：分类引导的高效安全代码生成 09-30 LLM 自动程序修复中的多层幻觉研究 09-07 程序进化 1 达尔文哥德尔机：开放式进化的自我改进智能体 05-29 稠密匹配 1 FreeMatching：超越时空先验的可泛化稠密对应匹配 10-18 空间推理 1 密室逃脱成 AI 新考场：通关率不足 50%，暴露空间推理短板 07-17 空间认知 1 MindCube：从有限视图构建空间心智模型 06-27 答案聚合 1 表示一致性：聚合准确且连贯的 LLM 候选答案 06-30 答案验证 3 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 CompassVerifier：面向多领域答案评估与奖励的轻量级验证模型 12-31 策略优化 1 大模型强化学习中的熵坍塌：机制、推导与 DAPO 对策 10-25 策略归纳 1 StrategyBench：评测大模型显式策略归纳能力 08-25 算法比较 1 DPO 与 GRPO 在自回归图像生成中的系统性对比 06-20 算法设计 1 AI4AI-Bench：评测 LLM 智能体的递归自改进算法设计能力 08-21 系统优化 2 System-1 决策模型能否替代 RAG 专用重排器？ 10-27 RAG 组件组合性评测：孤立增益不等于系统增益 10-22 组合推理 1 Ineq-Comp：不等式自动定理证明中的人类直觉组合推理基准 12-31 经验学习 1 Learn2Play Bench：评测智能体在陌生环境中的经验学习能力 10-18 经验进化 1 经验时代的自改进智能体：从自我进化到元进化综述 08-12 缩放定律 2 能力流形：统一机器学习缩放定律与全生命周期资源 09-24 能力显著性向量：面向下游任务缩放定律的损失—能力细粒度对齐 06-18 缺失前提识别 2 PremiseSQL：评测 Text-to-SQL 的前提批判与拒答能力 10-18 IdeaAMBIG：研究构想实现关键缺口评测基准 09-10 置信度评估 25 自信但错误的 LLM 如何导致人类服从与信任校准失效 10-23 法律权威缺失时，决策模型应作答还是拒答？ 10-22 多正确选项下决策模型的非对称概率分配 10-22 VLA 策略的事后认知不确定性估计 10-22 VX-One：面向实时边界分诊的类型化校准决策头 10-22 Chinese Decision：单次前向传播的中文概率决策模型 10-19 U-Space：揭示语言模型不确定性的产生与演化 10-18 RADAR：修复与审计大模型置信度 10-18 URW：基于保形校准的不确定性感知 Rubric 评判加权 10-18 陪审团而非选民：无标签语言模型集成可靠性估计 10-18 TypedBench：System One 决策模型的校准、措辞敏感性与成本评测 10-10 U-Space：定位语言模型推理中的不确定性来源 10-08 小模型也能合理自评置信度 10-01 J4U：面向大型推理模型的黑盒不确定性量化 09-30 Sys1Cal-v1：揭示 Jev 概率校准中的隐含“不知道” 09-30 Nudgeability：推理模型盲从置信信号，却无法追踪自身能力 09-30 ConfLens：通过过早答案承诺检测捷径推理 09-30 合成标签如何改善保形预测的条件覆盖 09-29 CORDIAL：少量标签下的序数 LLM 输出校准 09-26 Return or Revise：学习何时修订能改进检索增强问答 09-25 语言模型免训练自报告置信度分析 09-18 校准置信度的幻象：视觉语言模型置信度与推理轨迹脱节 09-17 CoSQ：通过自我提问实现大模型选择性拒答与风险控制 09-16 LLM 的置信度能否反映回答正确性？ 12-31 用 KL 散度衡量模型的「自我确定性」 12-31 能力评测基准 1 FormulaOne 基准令 GPT-5、o3 Pro 等前沿模型集体零分 12-31 能力迁移 1 不同游戏训练会形成专门化认知能力 12-31 脚手架优化 4 强智能体在自主机器学习工程中需要多少脚手架？ 10-01 Claude 自动构建评测并 Hillclimb 调优 AI 应用 09-29 编码智能体 Harness 组件设计实证研究 09-18 AutoDesign：面向长程智能体设计的元脚手架优化 08-15 脚手架演化 5 Google Harness²：冻结模型，递归改进 Agent 外壳 10-18 规模与选择：视觉界面机器人智能体的自动脚手架演化 10-01 Bad Genius：反事实引导的智能体脚手架演化 09-17 字节 HarnessDev：让 LLM 自主构建并演化 Agent Harness 09-07 DarwinX：通过自然选择演化智能体脚手架 08-15 自动化对齐 1 持续宪法大会：模型迭代改写自身规范呈现对齐分化 10-18 自动化科学研究 4 MindFlow：由思维超网络驱动的科研创意生成 10-09 OpenAI 公开 722 篇 AI 生成数学手稿 10-08 DNA 瘦身：可审计智能体发现纯删除式序列设计器 10-01 OpenAI万级智能体协作求解Navier-Stokes引发安全焦虑 09-16 自动化评测 1 文本、视觉和语音生成自动评估方法综述 06-13 自动形式化 1 自然语言到一阶逻辑的 LLM 自动形式化综述 10-09 自博弈 1 近似价值迭代在自博弈中的意外高效性 09-09 自我反思 1 Double-Checker：通过自我批判微调增强慢思维大模型推理 06-27 自进化 3 逐篇盘点：自进化系统学到了什么，局限在哪里 09-03 上交大推出机器学习智能体 ML-Master，登顶 OpenAI MLE-bench 07-02 普林斯顿 Alita 开启通用智能体自主进化新范式 06-04 自进化框架 2 HarnessBank：面向 Agent-Harness 自进化的语义基因库 08-11 PenguinHarness：构建持续自我进化 Agent 的开源框架 08-07 表征分析 1 表示空间分析工具：PCA、CKA 与 Fisher 信息矩阵 06-14 裁判模型评测 1 LLM 作为评委的实证研究：设计选择如何影响评估可靠性 06-18 裁判模型诊断 1 能力而非准确率：无参考裁判门控的诊断方法 08-20 规划评测 1 看似简单的规划问题也具计算挑战：倒计时游戏基准 08-04 规则推理 3 决策模型中规则迁移、联合可靠性与信息利用的受控测试 10-22 具体—任意表述鸿沟：LLM 亲属关系推理受呈现方式影响 10-01 NAFBench：大模型能否遵循指定的否定语义 09-24 视觉归因 1 SSI：多光谱图像的光谱—空间联合归因 10-23 视觉推理 8 RoTA-Bench：以交互式投影对齐评估三维空间推理 10-18 HSS基准揭示多模态模型的视觉直觉短板 10-18 GAGR-Lab：空间几何与解析函数联合推理评测 10-08 AI在门萨图形推理测试中触及151分理论上限 09-26 MindTopo：基础模型拓扑空间推理与规划评测 09-11 TempCloze：Video-LLM 能否识别视频缺失的中间片段？ 09-02 Autoregressive Mosaics：探测纯文本模型的二维空间推理 09-01 CaughtCheating：多模态大模型能否成为优秀的作弊侦探？ 06-23 视觉模型 3 FreeMatching：突破时空先验的可泛化稠密对应匹配 10-10 大模型时代，通用视觉模型将何去何从？ 12-31 清华鲁继文团队综述通用视觉模型研究进展 12-31 视觉生成 1 MaLiang-Harness：图像与视频生成的可编程路径 10-01 视频到音频生成 1 Kling-Foley：为视频生成音画同步的高质量立体声 06-28 视频生成 1 OmniVBench：全能参考图到视频生成基准与大规模数据集 09-22 视频评测 1 Video-IFBench：评估视频理解中的指令遵循能力 08-28 计算复杂度 1 思考的错觉：从问题复杂性理解推理模型的优势与局限 06-11 计算机控制 1 Cradle：赋能基础智能体实现通用计算机控制 07-18 认知习惯 1 了解大型推理模型的认知习惯：CogTest 基准评估 06-30 认知推理 1 ARCANA：抽象与远类比推理评测基准 10-22 认知负荷 1 LLM 写作的认知成本：与人类文本的阅读时间对比 10-19 记忆机制 1 通过电路发现理解 LLM 中的逐字记忆 06-30 记忆能力评测 21 Memory Tax：剖析智能体记忆的净价值 10-29 MemoryTax：智能体记忆的苦涩教训 10-22 MOSAIC：全模态对话智能体长期记忆与跨模态推理基准 10-22 浙大提出具身长程记忆基准 EMem-Bench 10-19 超越成功率：视觉-语言-动作系统的记忆干预评测 10-19 超越下游问答：重新评估智能体记忆 10-18 VoxMem：多会话语音记忆评测基准 10-10 ReTurn：多模态多轮交互中的选择性历史使用评测 10-09 RealCompanion：真实纵向对话中的人类理解评测 10-08 个性化记忆生成前失效：陈旧、错归因与延迟 10-08 VoxMem：大型音频语言模型多模态记忆评测基准 10-01 跨会议持久说话人归属评测：SI-cpWER 基准 10-01 PairPref：评测记忆增强助手何时应采用用户偏好 09-30 MemoReason：评估参数记忆对大模型上下文推理的影响 09-30 MemCalib：评测与优化 LLM 智能体的记忆使用 09-22 上下文压缩中的更新充分性审计 09-18 LSREP：面向对话记忆的纵向状态回放评测协议 09-16 AML 统一评测 Agent 记忆系统，MemoraX 登顶工业榜 09-07 MemBench：全面评估基于 LLM 的智能体记忆能力 06-30 MemBench：面向大语言模型智能体记忆能力的综合评估 06-26 MemSim：用于评估大模型个人助理记忆能力的贝叶斯模拟器 09-30 设计创新 1 当 AI 设计 AI：创新还是模仿？ 08-19 评分偏差 1 评估 LLM-as-a-Judge 中的评分偏差 06-30 评测争议 1 GPT-5 编程成绩被质疑：删去 23 道测试题，关键基准由自己提出 08-07 评测优化 1 重新思考 LLM 社会模拟的评估与优化 08-21 评测偏差 1 自动化评估应区分模型能力与决策偏好 12-31 评测可靠性 1 使用开放基准测试评估语言模型的陷阱 07-01 评测基准 46 AV-FABLE：长视频视听篡改取证基准 10-29 CodeCap-Bench：以可执行代码表征视频内容 10-29 TenetBench：条款锚定的俄语专业伦理准则评测语料库 10-27 EvoBench：面向环境建模的演化诊断评测框架 10-27 OSynth：面向纵向上下文的会议理解评测 10-22 NorRegel：挪威法律时效数值预注册评测基准 10-22 LIFT：基于分区约束的指令遵循评测与训练 10-22 DecisionPivot：LLM 决策模型诊断评测基准 10-21 RoboColiseum具身评测：Opus 5.5综合领先，精细操作仍是短板 10-21 DeclineCraft：联合评测检索与参数知识的 RAG 拒答基准 10-21 HardEval：面向安全加固与合规修复的执行验证基准 10-19 OmniCompass：全模态视频定位与理解综合基准 10-18 Gemini 4 Argon 在 ARC-AGI-3 Verified 评测中得分 97.5% 10-18 System1-Arena：哪些决策可交给 System 1？ 10-18 P³IBench：真实场景主动视频助手评测 10-18 HugAgent：访谈驱动的真人模拟与信念更新评测 10-18 UltraText Bench：双语视觉文本渲染评测基准 10-09 Perception Test 2026：城市级音视频空间推理挑战 10-09 PROWBench：评测视频模型能否忠实渲染程序事件 10-08 AI 评测生态系统：基准设计与参与者动态 10-08 SEAR：面向音频语言模型的伪造证据落地推理基准 10-01 ArchitectureIQ：衡量模型训练直觉 10-01 QC-Stark：揭示大模型量子计算能力分化的多任务基准 09-30 AraDynFact：阿拉伯语事实知识动态评测框架 09-30 SymbolicArena：符号回归基准蒸馏与动态评测基础设施 09-30 MechReasoner：定性物理机械推理模拟器与评测基准 09-30 AI 加密货币交易：从回测到真实市场的性能差距 09-30 Artificial Societies Benchmark：合成人口研究的多维效度验证框架 09-25 PotARCin：抽象推理技能习得的多维评测基准 09-24 Uncheatable Eval：基于动态压缩的语言模型评测 09-24 Endless Exam：面向超级智能的数学构造评测基准 09-22 KoNeoBench：韩国语新词理解评测基准 09-18 GPT-6近满分触发ARC-AGI评测重构，下一代转向开放式发明 09-17 TeleAntiFraud 2.0：可刷新、画像驱动的音频电信诈骗检测基准 09-17 BENCHCOMPASS：支付领域大模型训练与脚手架决策评测基准 09-17 BVB：以 Blender 程序化重建评测智能体视频理解 09-16 EviScope：基于配对反事实证据的忠实性诊断基准 09-16 专家引导的情境化有效评测基准生成框架 09-16 Benchmark Radar：AI 基准测试动态数据库与搜索引擎 09-15 CausalArena：基础模型时代的因果发现评测基准 09-11 Last Translation Benchmark：机器翻译极限评测基准 09-07 FlavourBench：以可执行烹饪真值评测前沿语言模型 08-24 NoCode-bench：评估自然语言驱动功能开发的新基准 12-31 LLM 评测基准综述与多模态推理新基准 10-23 AI 基准测试：从专业难题到大众谜题，探索 AI 推理能力 10-23 剖析 SWE-Bench 排行榜：LLM 与智能体修复系统的提交者及架构画像 06-24 评测基准构建 1 BTS-AgentBench：从只读遥测日志构建可复现智能体基准 08-28 评测审计 94 测试评分代码智能体基准中的规格—判定器缺口 10-23 Claude Sonnet 5.5在ARC-AGI-3适配框架下得分72.4% 10-22 SANE：面向 LLM 评判器的自动化特定评分器蜕变测试 10-22 基准是难度分布上的经验测度 10-22 冲突记录：可审计 LLM 输出质量执行的类型化对抗契约 10-22 更优策略反而导致更差的验证器审计 10-22 推理时模型偏移下的语言模型保形预测审计 10-22 迭代式 ML 智能体的显式反馈契约 10-22 真实 PMID、错误论文：生物医学声明核验智能体的 Harness 设计 10-22 ALIAS：评估 LLM 生成 TLA+ 规范的性能与记忆效应 10-22 RTL 修复基准究竟测量了什么？ 10-21 RLVR 数学数据去污染的可靠性与成本评估 10-18 更强评判器仍看不见：LLM 评测中的部署完整性盲区 10-18 评判者一致却错误：无标签评估中的一致性—准确性解耦 10-18 智能体安全评测中的捷径敏感性 10-18 收益电话会 NLP 基准的可用性契约与事件内时序错配 10-18 一个偏差分数、两个因素：多选评测中的选项偏差缓解 10-18 跨语言评测意识：LLM 在印度语言测试中会改变行为吗？ 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 请求呈现方式诱发评判模型对抗性偏差 10-10 LLM 合规系统的监管规则敏感性诊断与审计 10-10 模型迭代削弱 AI 辅助科学写作检测可靠性 10-10 TRACE：诊断智能体评测中的验证器脆弱性 10-09 法律思维链忠实性的反事实审计：引用不等于采纳 10-09 并非所有裁决都平等：重思 LLM Judge 可靠性 10-09 AI 时间跨度估计与 METR 指标效度分析 10-09 BehaviorTrace：在线强化学习训练数据归因的局限 10-08 输入盲控制揭示层程序选择的 Oracle 提升虚高 10-08 自动评判误差掩盖不确定性量化评估中的权衡 10-08 CAP：跨部署条件诊断 LLM 评判模型 10-08 MemoryAgentBench 冲突消解评测审计：不可达标准答案与分数误读 10-08 AppWorld 与 WorkArena 任务验证器盲点审计 10-08 测试时扩展曲线的可信认证与低成本审计 10-01 RLVR 难度标签的可靠性与测量偏差 10-01 组件替换证据能证明什么：LLM 智能体局部决策的批判性综述 10-01 部署验证器套件的硬门控资格评估 10-01 智能体脚手架收益还是评判偏差？投行演示文稿评测 10-01 Arena：LLM 裁判自我偏好显著高于人类 09-30 论点与署名：AI 评估中的来源—立场一致性偏差 09-30 修辞如何奖励劫持 AI 审稿：4080 次改写揭示评分偏差 09-29 UC Berkeley 用 AI Agent 审计 13 个基准，发现 45 种满分作弊方案 09-29 面向多轮业务智能体的可靠 LLM-as-a-Judge 测量系统 09-29 Laya 类型化概率评估器：校准与选择性升级的独立复现 09-29 学习攻破智能体评判模型的错误注入策略 09-29 LLM 评测结论的可复现性自审计 09-26 LLM 评分器的有效性与失效：两场计算机考试的实证研究 09-26 推理指令会破坏视觉语言模型的答案解码 09-26 代码风格而非自我识别：LLM 零样本代码归因中的表面线索 09-25 Augur：产品与政策变更的合成决策实验室 09-25 CDP：诊断大模型模拟调查中的文化扁平化与漫画化 09-25 LLM 排行榜结论对隐藏模型选择的敏感性 09-24 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 本地工具调用评测中的服务栈混杂因素 09-23 MICRO：多保真主动搜索发现严重错误 09-23 执行标签如何影响 Text-to-SQL 保形弃答风险认证 09-23 Copy Ceiling：本体 grounding 生成中的输入暴露控制 09-22 LLJ Cards：LLM 评判模型使用最佳实践 09-22 Gemini 安全评测误入侵真实公司，暴露测试隔离与披露缺陷 09-21 Anthropic 发布前沿 AI 发展节奏指标与内部快照 09-18 拒绝、分解、刷新：闭环 AI 的声明安全评测协议 09-18 审计 AI 生成的 RTL 安全验证计划：SecTB-RTL 基准 09-18 Harness Evolution 公平评测：复杂进化不如多次采样 09-17 Anthropic 提议引入“银行式”AI 安全监管 09-17 用内部表征监测与发现 LLM 评测中的奖励作弊 09-17 谬误检测基准测到的是论证模式识别，而非谬误识别 09-17 超越准确率：程序轨迹如何改变 LLM 监督者的决策标准 09-17 SWE-bench 头部编码智能体排名失效审计 09-16 Trail of Bits 质疑 FLAWED AI 补丁基准并发布验证技能 09-16 医疗大模型不同访问模式的输出差异与审计挑战 09-16 能力不变的简历扰动揭示 LLM 招聘筛选的呈现敏感性 09-16 去标识化简历中的人口属性泄漏与偏见评测伪差 09-16 CLASH：口语讽刺检测中的词汇与韵律依赖反事实审计 09-16 DataFlex-RL：RLVR 数据策略评估平台 09-15 用答案扰动验证事实性评估方法的可信度 09-15 两篇论文审视 Harness 自演化的真实增益 09-14 Anthropic CEO 倡议为前沿 AI“定速”并引入驻场评估 09-13 Terminal-Bench换榜引发谷歌、Meta刷榜争议 09-13 同一模型跨版本跑分暴跌，厂商自建基准可信度受质疑 09-13 GPT-6 Astra基准成绩因测试环境从99.9%降至62.7% 09-11 IB²：按服务路由而非模型标识评测企业 AI 系统 09-10 时间后置测试集仍无法消除预训练领域熟悉度 09-10 审计方式左右结论：LLM 决策审计的工具效应可比人口偏差 09-09 错误来源提示下的模型答案服从与鲁棒性审计 09-09 API 基准分数无法可靠迁移至聊天机器人界面 09-09 单公共因子模型下锚点—评判器误差相关性的闭式估计与诊断 09-09 网络安全 LLM 基准分数依赖评测流水线：可靠性审计 09-09 Molecular Déjà Vu：分子基准中的数字级记忆检索审计 09-07 对齐测试提示改变语言模型的战争决策 09-07 共享端点上的黑箱 LLM 评判器存在可靠性失效 09-07 用户反馈提供 LLM 无法自行识别的独特改进信号 09-03 SASST：面向交互式智能体的选择感知压力测试 09-01 Phantom Gains：用实测零基线审计模型自我改进 08-21 MCP 智能体安全评测中的处理泄漏与构念效度 08-16 垃圾输入，推理输出？为何基准分数不可靠及如何应对 07-01 评测框架 1 BenchHub：面向整体与可定制 LLM 评估的统一基准套件 06-04 评测榜单 1 HuggingFace FormulaOne 评估排行榜 12-31 评测编排 1 HarnessEval：以可执行 Harness 重构 Benchmark 08-19 谜题评测 1 Pencil Puzzle Bench：可逐步验证的多步推理评测基准 08-14 资源研究综述 1 Awesome Self-Improving Agents：自改进智能体资源库 08-12 软件工程 1 SWE-Flow：以测试驱动方式合成软件工程数据 06-12 软件补丁回移 1 自动化安全补丁回移基准：现有工具能走多远？ 08-19 迁移能力评测 1 商业 LLM API 迁移中的题项级能力回归测量 08-19 过程奖励模型 4 确定性 PRM 引导为何在离散扩散推理中表现不佳 09-30 ConsensusBench：用共识节点稠密化大模型推理奖励 09-07 SPARE：基于参考引导评估的单次过程标注框架 06-23 从数学推理到代码：测试时扩展中过程奖励模型的泛化 06-04 过程评测 6 路径很重要：超越答案准确率的知识图谱问答小模型评测 09-24 OSWorld-Pro：计算机操作智能体的过程评测基准 09-22 F²DR：面向 DeepSearch 全流程的细粒度奖励框架 09-18 答案分布轨迹：LLM 推理的随机动力学视角 09-09 LCoT-GV：基于图注意力网络的长思维链验证 09-01 超越最终得分：长程 AI 研发智能体的系统评估 08-16 运动跟踪 1 HumanTracker：人类感知对齐的人形运动追踪基准 08-18 进化安全 1 Self-evolving Agents 并非总是良性：警惕智能体“错误进化”风险 12-31 进化研究综述 1 97页综述：现代 AI Agent 的自我进化体系 08-12 递归自我改进 13 RKI：状态感知的递归知识改进框架 10-29 大模型时代的可信递归自我改进：基础、风险与评估 10-27 Novix 招募 RSI、Agentic RL 与新架构研究人才 10-22 迈向物理人工智能的递归自我改进 10-22 SenseNova-RoboRSI：统一具身执行框架驱动机器人持续改进 10-20 RSIGym 开源：联合迭代模型权重与 Harness 的 RSI 研究环境 10-18 LLM 自我改进循环中的赢家诅咒：选择噪声、锁定与接受规则 10-08 PhysicalRSI 1.0：具身智能递归自我改进基线登顶RoboDojo 09-29 小米开源 MiMo V2.6：大规模混合任务 RL 推进 RSI 09-24 RSI递归自我改进：定义、评估验证与创业机会 09-22 《人类建造的最后一个AI》：RSI五级框架与HCI诊断 09-15 爆料称谷歌 DeepMind 接近实现 RSI，OpenAI 模型疑似降质 09-13 综述：递归自我改进（RSI）的能力边界与关键瓶颈 08-13 逻辑评测 1 SATQuest：用于逻辑推理评估与微调的验证器 12-31 重构评测 1 SWE-Bench ProMax：大规模多语言代码重构智能体基准 08-12 量规评分 1 评分靠量规，而非模型智能 08-19 错误模式 1 更强大的语言模型会产生更多类似人类的错误 06-16 长度泛化 1 Transformer 长度泛化的代数分解理论 08-16 长期记忆 7 BehaviorMem：基于真实电商行为流构建与评测用户记忆 10-27 语言智能体中的记忆价值：决策论框架 10-23 复杂智能体记忆并非总是必要：朴素 Raw-RAG 基线更强 10-23 LLM 智能体长期记忆的治理状态损坏：跨模型压力测试 10-23 相关不等于充分：长期记忆问答中的证据缺口弥合 10-08 Fortunate Recall：基于本体的 LLM 记忆生命周期管理 09-10 EgoMonth：月级第一视角视频长期时空记忆基准 08-16 长程任务评测 1 VibeLifeBench：评测生活智能体的主动性与持久性 08-13 闭环自进化 1 选择不是学习：自进化模型的继承决策 10-18 隐私风险 1 微调方法对大型语言模型中记忆的影响 06-30 预训练 1 覆盖率原则：预训练如何赋能后训练 09-14 领域泛化 1 从一般推理到领域专业知识：揭示大型语言模型泛化的局限性 06-30 题目生成 1 自动生成用于阅读理解评估的推理问题 06-12 题项相似性 1 双维度 LLM 框架自动分析大规模测评题项内容相似性 08-26 风格评测 1 风格还是签名？艺术家隔离的绘画风格分类评测 08-17 风险评估 1 Judge, Retrieve, or Abstain：具风险保证的 LLM 裁判 08-19 首步纠错 1 在推理的开始迷失：首个推理步骤对长链推理的关键影响 06-30 验证器模型 1 CompassVerifier：3B验证模型与多领域高难度基准 VerifierBench 12-31 鲁棒性测试 1 TESTNAV：Pareto 引导的组合鲁棒性测试 08-22
