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 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。
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 BioSecBench-Refusal，评测智能体生物研发拒答与隐蔽危害识别
BioSecBench-Refusal 把生物研发智能体的谨慎程度和识别隐蔽危害的能力放在同一套任务上测量。
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。
提出 SciTrace，为科学发现智能体加入跨阶段安全推理与工具轨迹核验
SciTrace 是加在科学发现智能体流水线上的安全框架，不是再在各阶段出口放一个独立过滤器。
提出 Gram 审计框架，测量编程与研究智能体的破坏倾向
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。