闭环评估 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 闭环评估 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 1 AutoWorldModel-Bench：自动化世界模型研究的状态中心基准 08-14 交互式评测 1 PlayWorld：智能体玩家驱动的长程世界模型评测基准 08-15 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 决策协商 1 BoardroomAI：基于演化决策图的人类可操控多智能体协商 08-16 安全评测 3 CART：大模型闭环自适应红队测试框架 09-24 Teach-to-Crash：双 LLM 闭环生成自动驾驶碰撞测试场景 09-24 HackProbe：自进化语言模型的奖励作弊检测与免疫 09-07 技能演化 2 SkillEvo：以多轮交互反馈持续演化智能体技能 08-16 Socratic-SWE：基于轨迹技能的自进化编程智能体 08-14 智能体评测 1 嵌入式软件开发智能体闭环评测基准 10-10 游戏生成 1 Spellcaster：6个Agent协作生成、试玩并修复游戏 08-18 演化能力评测 1 ASPIRE：模型能否从模糊目标中自我演化？ 09-01 科研评测 1 PhysClosureBench：评测科研智能体的证据闭合能力 10-18 脚手架优化 1 自动优化 Agent Harness 的三条路径：Meta-Harness、AHE 与 Self-Harness 08-14 脚手架学习 1 Harness 持续学习：超越模型参数的持续适应 08-20 自动化科学研究 1 最大规模AI自主科研测试：Fable 5断层领先 08-17 自动化维护 1 Claude自动维护应用：388个AI PR中180个获合并 08-15 记忆诊断 1 D²ACCI：证据保留的智能体记忆双循环诊断协议 08-19 评测审计 2 拒绝、分解、刷新：闭环 AI 的声明安全评测协议 09-18 DCP：AI 研究智能体的发现认证与审计协议 09-11 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 过程评测 1 超越最终得分：长程 AI 研发智能体的系统评估 08-16 递归自我改进 1 综述：递归自我改进（RSI）的能力边界与关键瓶颈 08-13 闭环自进化 2 Agent 自进化飞轮：评测、记忆、落地与控制 08-26 AI4AI：AI训练、优化与评测AI的新范式 08-20
