Another 240papers do not have category tags yet and are not included in filtered results.
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 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 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。
构建 BazaarBench，评测 C2C 市场中 Agent 的违规与失信行为
BazaarBench 针对大语言模型智能体在去中心化 C2C 交易中的代理安全问题，提出了一个结合底层实体状态与大模型裁判的仿真基准平台。
提出 SWE-CC 基准，评测编码 Agent 对仓库贡献策略的遵守
SWE-CC 评测编码智能体是否遵守仓库贡献策略，而不只看补丁能否通过测试。
提出 SceneFactory-3D，用路况反事实评测驾驶策略的闭环安全性
SceneFactory-3D 是 GPU 批处理的多智能体驾驶仿真器，用来在场景和控制器固定时只改路面物理，并比较闭环结果。
提出 MADBench，评测多智能体辩论是吸收还是放大对抗影响
MADBench 是一个评测多智能体辩论安全性的基准，用来看攻击是被辩论吸收还是被放大。
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。
提出 WolfBench，测量金融智能体社会中有害智能体规模带来的集体崩溃
WolfSociety 把多智能体安全写成受控金融社会中的集体失败问题：智能体经社交网络交流，并在共享市场里交易，形成从交流到行动再到后续决策的闭环。
提出 READY 框架，认证企业 Agent 在人工监督下能否达到规定可靠性
READY 把“智能体能否自主完成工作”改写成“哪个人机监督策略能在留出证据上达到规定可靠性，以及要付多少运营成本”。。
提出 AgentRewind，支持长程 Agent 回退对齐检查点并继续执行
构建 ForesightSafety-TIDE 评测欺骗对多智能体事实恢复的影响
复现 AgentCF 上的多智能体攻防并刻画连通性作用
作者在 AgentCF 上研究连通性如何改变多智能体协同过滤的攻防，复现已有方法而不是提出新载荷。
提出 LegalHalluLens，分类审计法律抽取幻觉并校准多智能体辩论
LegalHalluLens 是一套法律条款抽取的审计框架，外加一个按审计结果校准的辩论缓解。。
评测自主安全智能体在授权漏洞分析中的对齐拒答效应
这项工作把安全对齐效应测成自主安全智能体的轨迹属性，而不是单轮拒答率。
复评前沿模型代码生成中的包名幻觉与抢注攻击面
Abstract评估显示前沿模型包幻觉率收窄但威胁仍在，作者识别出跨模型通用攻击面并呼吁联合防御。
评测代码 Agent 过滤静态告警误报的能力
这是对三种 LLM 智能体框架过滤 SAST 误报的比较研究。
提出 CW-POR 衡量多智能体辩论中修辞说服对事实判断的覆盖
作者用单轮对抗辩论和 CW-POR，观察同族评委面对事实性解释与错误辩护时是否选错，以及选错时有多确信。