Another 232papers do not have category tags yet and are not included in filtered results.
Proposes LGWM, using an action-conditioned world model to verify GUI agent screen transitions.
构建 Workerville 基准，测量组织条件如何改变 Agent 的安全行为
Workerville 用组织行为测量智能体安全如何随监督、同伴和记忆条件变化。。要处理的缺口是：持续运行的 LLM 智能体同时接收用户指令、同伴消息和长期记忆，但既有安全评测多把这些通道拆开，没有统一的定量测量。
提出 agent plasticity 指标衡量智能体通过经验自我改进的效率
作者用 agent plasticity 衡量一件事：权重冻结时，智能体把经验写成可继承制品，再换成留出能力增益，这个转换有多省。
用 Learn2Play Bench 评测 Agent 从经验中学习陌生规则
Learn2Play Bench 用新设计的隐藏规则文本游戏，评测 LLM 智能体在不更新权重时从交互中学习的能力。
提出检索可采纳性核验框架，评测记忆智能体的记录资格与披露
这是一套长时记忆检索的可采纳性核验协议，用来分开检查候选支持、资格、提示词暴露和答案披露，而不是提出新的检索算法。。
提出 ControlPed 与 HazardPed，生成可控行人危险场景并评测端到端驾驶
提出 StegoMemory，评测智能体持久记忆作为跨会话隐写信道
Abstract研究揭示智能体持久记忆可作为隐蔽信道跨会话传输机密，写入持久化是主要防御瓶颈，呼吁建立记忆完整性防御。
评测 ReAct 工具调用对多模态模型拒答有害请求的削弱
论文系统评估了智能体工具调用范式对多模态大语言模型拒答能力的影响，指出了工具增强视觉推理背后的安全隐患。核心探讨的问题在于：当 MLLM 从单次推理转向通过 ReAct 循环调用外部工具（打标、缩放、OCR、代码执行）时，工具使用机制本身是否会降低模型拒答有害请求的概率。
构建 EvoRiskBench 评测工作区 Agent 的运行时安全风险
Abstract论文构建了工作空间智能体运行时风险基准 EvoRiskBench，发现高执行力智能体在 IPI 下面临较高安全风险。
提出 DrivingBench，评测通用视觉语言模型能否闭环驾驶真车
DrivingBench 评测通用 VLM 能否自己闭环开真车，推理延迟也算进任务。
评测多智能体 LLM 组织跨时代再创业及历史打分中的事后泄漏
Abstract组织看见转变却建在旁边。
用 DIBench 评测移动 GUI 智能体被 UI 注入后的决策完整性
Abstract论文提出移动智能体决策完整性基准 DIBench，发现欺诈 UI 注入诱导目标选择并推高完成率，通用防御收益不稳定。
提出 DERIVAUDIT 审计长期 Agent 记忆是否由交互历史导出
DERIVAUDIT 审计长期智能体的持久记忆是否由写入时可获得的交互历史支持，而不是只看以后能否被召回。
提出 SEABench 评测自演化智能体的内生失配
SEABench 是一个面向个人助理、参数不更新的自进化智能体基准，用来测量局部适应如何变成后续任务上的内生失配。。
提出 VoxParity，固定转写只改音频，评测语音智能体是否按行业规则改工具调用
VoxParity 测量语音智能体在词语不变、只有声音改变时，是否按行业规则改它所执行的工具调用。
用 CoSec 评测社区 Agent 是否越界披露受保护信息
提出 MMSkillRisk 基准，评测多模态技能图像中的隐藏指令诱导 Agent 越权操作
Abstract论文提出 MMSkillRisk 基准与 NCVA 攻击，揭示多模态技能中教学图像潜藏指令可引发未授权操作并与良性任务共存。
测量记忆投毒防御在良性对话上的效用与 token 开销
在没有攻击的对话上，给记忆投毒防御计价，而不是再测一轮攻击是否被挡住。
用 FARSIGHT 方案级评测金融 LLM 交易 Agent 的稳健性与安全失败
提出 Emergence World，对长时程多智能体系统开展对抗压力测试
Abstract作者通过长期平行世界实验指出模型对齐不具备可组合性，单模型群体会产生社会奉承、协同退缩及语言不透明等失效。