Another 215papers do not have category tags yet and are not included in filtered results.
适配多种已发表说服评测并比较模型排名
这项研究比较的是自动化说服评测是否一致，而不是哪一种分数更正确。
比较连续后训练阶段如何改变语言模型的说服力
作者用同一人类协议，把 LLM 说服力拆成阴谋数据上的失调 SFT、说服数据上的 SFT，以及其后的 IPO。
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。
提出 KaliBench，评测模型把安全意图译成 Kali 命令的能力
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 FUSE 框架，评测大语言模型的化生危险能力
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 OpenMLE，后训练元进化智能体并做机器学习工程长程搜索
作者提出全栈 OpenMLE，在机器学习工程里研究从进化到元进化的一步，并把递归自我改进视为更远目标。智能体要在延迟、有噪声的执行反馈下反复修改程序。作者认为公开系统很少同时提供可扩展环境、基于执行的后训练，以及部署该模型的长程进化搜索。
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。
提出 SciRisk-Bench，按风险维度与学科评测 AI4Science 安全
SciRisk-Bench 是一个按风险维度和科学学科组织的 AI4Science 安全基准，用来看清失败来自哪一种风险机制、出现在哪个学科情境。作者认为 LLM 已介入科研问答、文献分析、实验规划和自主发现，而不安全输出不限于事实错误。现有科学能力基准不测安全，领域安全基准又多集中在化学、医学或生物，或只按宽泛安全类别打分。
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。
比较生物新手使用多模型 LLM 与仅联网在双用途计算生物学任务上的能力提升
这是一项多模型、长时间的人类提升评测：看很少或没有复杂生物实验经验的人，在有前沿 LLM 时能否比仅用互联网更好地完成计算机上的生物安全相关任务。