过程评估 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 过程评估 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） 世界模型 2 事件而非像素：世界模型的回报误差诊断 10-22 面向网页智能体的判别式世界模型 09-03 价值估计 1 错误但有用：多智能体消息的轨迹价值超越答案正确性 08-17 信用审计 1 无真值信用：基于执行回放审计 LLM 智能体的步骤级信用分配 08-21 医疗人工智能评测 1 MedTraj：医疗智能体临床推理轨迹的构建与评估 09-07 发现能力评测 1 Apodex Discovery：面向真实发现任务的AI评测环境 08-18 可信推理 1 GUT：基于图复杂度量化与优化大模型推理不确定性 09-07 响应对齐 1 PatternEval：混合思考多模态模型的响应行为对齐 08-24 基础设施评测 1 Φ-Bench：大模型基础设施工程能力评测 08-24 多智能体协作风险 1 同质 LLM 辩论中的崩塌与纠正测量 09-30 多模态推理 1 OCR-MetaReasoning：文本密集图像元推理评测基准 09-01 多跳推理 1 多跳问答中的事实落地差距诊断 09-16 奖励建模 3 Reward Engine：面向开放式工具智能体的奖励中心自进化 10-19 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 安全评测 1 AgentBoundary：工具型 LLM 智能体安全的反事实评测 09-29 幻觉检测 1 DialFork：对话智能体程序性幻觉评测基准 10-18 思维链 5 OwlSight：面向思维链推理的全景监控器 10-19 推理轨迹与证据冲突时：回答配置如何影响证据遵循 10-18 CIA：衡量并提升思维链与模型内部推理的一致性 10-01 通过工具调用提取并刻画前沿模型的隐藏思维链 09-23 可读性不等于可解释性：思维链步骤的判断重要性与实际重要性 09-07 思维链审计 1 正确诊断，装饰性推理：医疗思维链扰动审计 08-26 技能演化 1 SkillRubric：多模态智能体的技能指导与评估规则协同演化 09-30 推理评测 4 同答异因：多语言大模型的推理轨迹分歧 10-22 先采纳，再取消：思考如何让推理模型字面理解 some 与 or 10-18 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 搜索能力评测 1 TsuGO：以围棋死活题评测大模型推理搜索效率 08-16 智能体框架 1 GRASP：面向复杂任务的生成、修订与评估式智能体规划 09-26 智能体训练 1 Critical-State RL：诊断多轮工具调用中的可训练状态 09-22 智能体评测 10 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 从基础模型预测后训练编程智能体性能 10-08 DUDA-Bench：多模态数据驱动城市诊断智能体基准 10-08 FTA：工具型语言模型故障后报告透明度评测 09-30 AgentWorld：评测多智能体长程协作能力 09-29 WhatWorkedBench：评测 AI 智能体的实验理解能力 09-24 OpenMAS-GCom：图增强多智能体系统诊断基准 09-21 DualViewEval：融合结果与过程关系的高效智能体基准压缩 09-17 EarlyEval：通过早期结果预测降低智能体评测成本 09-03 ATLAS：工业工具调用智能体的双时域诊断评测 09-01 模型可靠性 2 LLM 退化时表征秩反而上升 10-08 精确反馈不等于可靠控制：LLM 闭环修订评测 09-24 模型评测 2 CADET：用因果任务分解诊断多模态大模型能力失效 10-01 超越评分：解析 LLM-as-a-Judge 的摘要评估机制 09-02 模型轻量化 1 CRD：基于交叉反馈与连贯策展的协作式推理蒸馏 10-08 灾害评测 1 EarthVerse：动态地球系统与自然灾害科学智能体基准 08-25 科研评测 4 自动化研究如何评估：基准与评估实践综述 10-09 SciARP：多轮科学推理智能体的扰动鲁棒性评测 09-30 PaperDoctor：面向科研论文的证据化诊断与修改反馈 09-16 ScienceArena：最新科学奥赛大模型评测基准 09-01 程序修复 1 LLM 自动程序修复中的多层幻觉研究 09-07 策略优化 1 AdaptEvo：以演化监督实现自适应智能体学习 10-10 置信度评估 3 RADAR：修复与审计大模型置信度 10-18 U-Space：定位语言模型推理中的不确定性来源 10-08 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 脚手架演化 1 RuHarness：评判准则与智能体脚手架协同演化 10-29 自动化科学研究 1 PEAR：面向工业搜索的渐进式证据驱动 AutoResearch 09-30 航空评测 1 AeroCopilotBench：交互式虚拟驾驶舱中的航空副驾驶智能体评测 08-18 规则评测 1 RuleWeaver：评测大模型规则中心场景推理 08-29 视觉推理 2 VGI-Bench：评测视频生成模型的视觉智能 08-28 VBVR-Pro：可扩展、可验证的原生视觉推理套件 08-27 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 记忆能力评测 2 MOSAIC：全模态对话智能体长期记忆与跨模态推理基准 10-22 超越成功率：视觉-语言-动作系统的记忆干预评测 10-19 评测审计 6 深度搜索与深度研究智能体的基准评测及错误分析 10-22 更优策略反而导致更差的验证器审计 10-22 TRACE：诊断智能体评测中的验证器脆弱性 10-09 部署验证器套件的硬门控资格评估 10-01 Canonical Procedural Actions：工具智能体轨迹的可审计标注协议 09-22 智能体轨迹评估与失效归因：三篇论文综述 09-18 过程奖励模型 2 BayesianPRM：可靠性与保守性感知的过程奖励建模 10-19 World Potential Model：用预训练世界知识评估智能体任务进展 10-08 过程评测 12 LiveMACE：演化市场中的智能体过程感知评估 10-20 Annotrace：智能体轨迹步骤级标注工作台 10-19 隐藏状态探针定位推理失败的有效性 10-18 Probe-and-Resume：何时及如何评估智能体执行 10-18 LiveMACE：演化市场中的过程感知智能体能力评测 10-08 用户离开后，自主深度研究智能体如何利用初始信息？ 09-29 OSWorld-Pro：计算机操作智能体的过程评测基准 09-22 EvoPathBench：自进化智能体的过程级能力评测 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 从原子能力到智能体：可解释评测 LLM 数学智能体能力 08-29 超越最终得分：长程 AI 研发智能体的系统评估 08-16
