Another 233papers do not have category tags yet and are not included in filtered results.
Proposing DRYLAB-Bench to evaluate agentic LLMs' high-risk mutation design capability
提出 RSIGym 环境，评测研究智能体的递归自改进
提出 TasteVal 基准，衡量模型设计实验并解释结果的研究品味
评测 coding agent 在非公开漏洞上的利用生成、修复与后续攻击
作者比较编程智能体在利用生成与漏洞修复上的自主表现，并检查修复之后还能不能被攻破。文中的 help 指自主完成任务，不是提升人类操作者。
在 GOAD 上评测 NeuroSploit 编排对 AD 自主渗透的提升
评测 Agent 选择并早期操作高风险生物工具的能力
这项评估测量七个前沿 LLM 智能体与生物工具交互的最早两步：为设计任务选工具，以及在仓库里完成玩具级操作。作者关心的是，有生命科学背景但不会专门操作高风险工具的行为者，能否借此降低门槛。范围限于预测性、生成性工具。
用 CyberPersistBench 评测入侵后安装与持久化能力
CyberPersistBench 是评测入侵后安装与持久化的基准，关注初始访问消失后是否仍能维持原生立足点。。
发布 Systemic Risk Index 流水线与看板，评测四类系统风险
提出 MobileCybench，用可执行探针评测 Agent 的漏洞发现能力
提出 VLoc Bench，评测智能体在完整仓库中定位漏洞文件并抑制修复后误报
Abstract论文提出仓库级漏洞定位基准 VLoc Bench，指出当前模型定位表现较低且易在已修复代码上产生误报。
提出基准 PATCHBENCH，评测编程 Agent 的漏洞修补是否真正修复根因
Abstract论文揭示漏洞修复评测的记忆与表面防护问题，提出离栈变异基准与双重验证，测得智能体实际解决率仅约五成。
提出 SRE-Bench 评测智能体的真实规模二进制逆向能力
作者构建并评测 SRE-Bench，一个从零编写、用于测量智能体逆向工程而非利用开发的基准，并称它同时满足污染控制与真实软件规模。
Propose the VulnGym benchmark, evaluating programming agents' repository-level vulnerability detection and localizing failure steps
提出影子评测，衡量 Agent 自主完成开放式 AI 科研的能力
Abstract论文通过影子评测发现前沿智能体能独立胜任科研工程实现，但在科学探索与有效利用反馈上未达到顶会门槛。
构建 SciHazard 基准，评测科研智能体与 LLM 的科学危险能力
SciHazard 是一个科学滥用风险基准，配一个把危害拆开再合成的自动分数。
用 CryptanalysisBench 评测大模型的端到端密码分析能力
Abstract提出真实密码原语分析基准，证实前沿模型具备显著分析能力并能发现未公开设计缺陷。
构建真实网络靶场基准，评测 AI 的端到端自主攻击能力
Abstract构建开放多靶场评测基础设施 AGENTCYBERRANGE，测定前沿 AI 网络攻击能力并揭示其端到端规划短板。
用 VirtualCrime 沙盒评测模型被赋予犯罪角色后的多步执行与过度伤害
VirtualCrime 是一个多 LLM 智能体的文本沙盒，用来测量模型在被指定犯罪目标之后的多步行为，而不是测量它会不会拒绝恶意查询，也不是测量它会不会自发产生恶意意图。作者要回答的是：初始防护被角色指派绕过之后，模型在会调查、报警并逮捕队伍的环境里，能规划并执行什么，以及执行时是否超出任务所需去使用武力或破坏。除这一指派外，不用外部工具或任务特定脚手架。