Another 215papers 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。
提出 CAVE-BENCH，评测智能体在虚假指责下破坏已完成的正确工作
Abstract论文提出了评估智能体在虚假指责下破坏已有正确成果的 CAVE-BENCH，发现强模型易推翻已知证据，提出了门控缓解方案。
提出双层系统 AIDE2，使研究智能体自改进 Harness 并对比人类研发基线
Abstract提出双层递归自改进系统 AIDE2，在固定预算下演化 Harness 代码，多项留出基准超越人类基线并降低奖励黑客。
提出 APEXA，在工具层拒绝无执行支撑的结果并拦截电机命令
APEXA 是先进光子源上的数据还原框架，用工具层代码约束语言模型智能体的工具调用。
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。
提出双缺口框架，统一智能体软件工程中的奖励投机与幻觉
Reality Is the Final Verifier 用 two-gap framework 解释智能体软件工程的主要失败，并主张用外层保证环持续收窄缺口，而不是试图在部署前证明缺口已关闭。
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。
用演化算法构造 mind virus 并测量其在多智能体中的传播
Propose the VulnGym benchmark, evaluating programming agents' repository-level vulnerability detection and localizing failure steps
提出 SCHEMA，用概念图与轨迹分评测科学 Agent 幻觉
SCHEMA 是面向科学智能体幻觉的证据锚定评测框架，实例化在生物医学的 Protein Domain 与 PathVQA-Enhanced。作者在摘要中称它是首个同时做到证据锚定和拓扑感知的此类框架。
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。
提出技能名称抢注攻击，利用 Agent 虚构技能名实施供应链劫持
本研究系统揭示了大模型智能体技能推荐场景下的虚构技能名称安全风险，将其形式化为一种新型供应链抢注攻击。
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。