Another 201papers do not have category tags yet and are not included in filtered results.
Proposes RATED, which reranks agent tool retrieval using execution feedback
Proposing DRYLAB-Bench to evaluate agentic LLMs' high-risk mutation design capability
Measuring the impact of random weight bit flips on LLM agent safety and alignment behavior
After random two-bit weight faults enter an LLM agent, model-level damage becomes recoverable, increased cost, subtle semantic errors, and changes in safety or alignment behavior.
Proposes the ISE framework to evaluate the epistemic humility of LLM agents under knowledge conflicts
What the authors want to test is not whether the agent's final answer is correct, but whether, when a knowledge conflict arises, it recognizes the gap in its trajectory, performs bounded tool follow-up, and writes the unresolved uncertainty to the user.
Proposes LGWM, using an action-conditioned world model to verify GUI agent screen transitions.
评测编码 Agent 中相似技能共同安装对已装技能核心功能的替代
作者对共同安装、做同一件事的良性 skill 做实证研究，用核心功能是否还在，而不是任务过不过，来看冲突。。
提出 SSCBench，评测工具调用 Agent 故障注入测试的证据有效性
SSCBench 研究工具使用智能体的故障注入结果，在什么证据条件下可以被解释。
用时钟 harness 和预算塑形 GRPO 改善 Agent 的按时返回
作者研究小规模 LLM 智能体在显式 wall-clock 预算下能否按时返回，并把更多时间换成更好的解。
测量工具调用 Agent 对显式报错与静默损坏的检测和恢复
作者在 BFCL 多轮可执行环境上注入一次工具层故障，把注意到、改计划、恢复和重复分开记分，而不是只看任务有没有做完。
提出 AgentTime 基准，评测智能体按时长工作与估时能力
AgentTime 是对智能体时间自控的评测：预测任务耗时、按要求时长工作、事后估计已用时间。
提出利用祖先 VLM 优化对抗补丁，使已部署 VLA 任务失败
评测 LLM 审计 Agent 日志时来源重建是否有证据支持
包级审计检查保存的智能体动作里，哪些来源结论能被交给分析者的记录支持。
提出 SOUL 稀疏特征策略遗忘，缓解 VLA 状态幻觉
SOUL用稀疏特征引导的策略 unlearning 处理 VLA 的 state hallucination。
用混合生成式多智能体仿真考察基准留出对评分与满意度差距的影响
提出 PackHallu，经规则文件提示注入诱导编码 Agent 换用攻击者指定包
PackHallu 研究一种针对编程智能体规则文件的提示注入：让智能体在本应使用合法依赖时，改导入攻击者指定并控制的包。
提出 CARE，离线认证 VLA 加速配置的回合级失败风险并选出最快合格候选
CARE 在部署前从加速配置中选出最快、且加速诱发失败风险能被有限样本认证为低于用户预算的候选。证据不足就保留全计算参考策略。
提出 AdvSim2Real，协同训练网页智能体抵御页面注入
提出 SBW，为 LLM Agent 轨迹做抗改写与伪造的语义行为水印
SBW 是免训练的智能体行为水印，把所有者标识放在离散动作选择上，而不是输出 token。
提出 ParanoiaEval 评测编码智能体的不必要风险处置
作者提出 ParanoiaEval，并称它是编码智能体风险处置能力的首个统一基准。要解决的问题是：证据已经确定风险应如何处置之后，智能体仍可能扩大验证、增加保护或备份，而现有评测要么只看功能正确性，要么把相关行为拆开研究。做法是把 NIST 的 ATMA 落到仓库任务。
在 CWEval 上跟踪代码生成的功能-安全差距
Abstract绝对安全性上升且差距仍在，开放权重并不分开各家族的轨迹。