Skip to content

Translation in progress Some entries still include text in the original language.

Oct 13 · Tuesday

All papers

Found 40 papers

Another 215papers do not have category tags yet and are not included in filtered results.

  1. OpenSocialJax: Evaluating Social Adaptation in Sequential Social Dilemmas with Open-Ended Environment Dynamics

    Evaluating multi-agent adaptation in social dilemmas with hidden rules using OpenSocialJax

    Published
    Evaluated models
    GPT-6-Luna, GPT-6-Sol, Claude Opus 5.5 and others8
    AbstractThe authors report that rule discovery often improves payoffs, but public good cleaning becomes concentrated, and shared resources are eventually depleted.

    OpenSocialJax evaluates whether LLMs can simultaneously adapt to unfamiliar environmental mechanisms and other agents in sequential social dilemmas.

    Paper analysisRead analysis
  2. BazaarBench:评估 LLM Agent 在去中心化 C2C 市场中的代理安全

    构建 BazaarBench,评测 C2C 市场中 Agent 的违规与失信行为

    Published
    Evaluated models
    GPT-5.5, GPT-5.4, GPT-5.4-mini and others5
    Abstract论文提出挂钩底层资产的 C2C 交易评测基准,发现时间压力与对抗指令显著推高了智能体的违规承诺与欺诈行为。

    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。

    Paper analysisRead analysis
  3. MASBench:部分可观测条件下的 LLM 多智能体协作基准

    提出 MASBench,评测部分可观测下的多智能体协作机制

    Published
    Evaluated models
    Qwen-Plus, GPT-5-nano, Gemini-2.5-Flash-Lite and others5
    AbstractMASBench 以确定性指标比较部分可观测下的协作机制。

    MASBench 用部分可观测任务比较 LLM 多智能体的协作机制,而不是只看端到端能否做完。

    Paper analysisRead analysis
  4. CrashSim 用真实事故先验生成碰撞场景并构建 nuCrash 数据集

    提出 CrashSim 用真实事故先验引导扩散仿真并构建 nuCrash 评测自动驾驶规划器

    Published
    Evaluated models
    Lane-graph planner, PDM-closed planner, IL planner and others5
    AbstractCrashSim 迁入真实事故先验生成场景。

    CrashSim 用检索到的真实事故先验引导扩散式多车仿真,为自动驾驶安全评测生成碰撞与近碰撞场景。。

    Paper analysisRead analysis
  5. SceneFactory-3D:将 2D 交通场景提升为 3D 物理反事实以做安全评测

    提出 SceneFactory-3D,用路况反事实评测驾驶策略的闭环安全性

    Published
    Evaluated models
    Frozen L0, L0-T, L1 and others5
    AbstractSceneFactory-3D 固定场景只改路况。

    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。

    Paper analysisRead analysis
  6. A2A-TIBA:针对 A2A 协议 LLM 智能体的间接提示注入攻击与三层同构攻防模型

    提出 A2A-TIBA,经 A2A 对等任务间接注入并植入常驻回调

    Published
    Evaluated models
    MiniMax-M3, deepseek-v4-pro, glm-5.3 and others8
    AbstractA2A-TIBA 一次植入后绕过智能体,GDA 用四类结果定位防线,ELA-ITL 把信封标注列为第三层。

    A2A-TIBA 把间接提示注入和绕过放进 A2A:gray-box 攻击者已能投递任务,诱导目标部署常驻回调程序后,下令和外传不再经过智能体。

    Paper analysisRead analysis
  7. MADBench:多智能体辩论安全性评测基准发布

    提出 MADBench,评测多智能体辩论是吸收还是放大对抗影响

    Published
    Evaluated models
    gpt-4o, GPT-5, GPT-6 Astra
    AbstractMADBench 显示辩论能吸收部分准确率攻击,同时放大未授权读写。

    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。

    Paper analysisRead analysis
  8. DrivingBench 发布:让视觉语言模型驾驶丰田 Corolla 绕桩

    提出 DrivingBench,评测通用视觉语言模型能否闭环驾驶真车

    Published
    Evaluated models
    GPT-6 Astra, Claude Fable 5.1, Grok 4.6 and others4
    Abstract仅 Astra 第二次跑完低速锥桶路线。

    DrivingBench 评测通用 VLM 能否自己闭环开真车,推理延迟也算进任务。

    Paper analysisRead analysis
  9. DIBench:面向移动 GUI 智能体多候选选择决策完整性的安全基准

    用 DIBench 评测移动 GUI 智能体被 UI 注入后的决策完整性

    Published
    Evaluated models
    Qwen2.5-VL(32B), Qwen3-VL(32B), GUI-Owl(32B) and others7

    Abstract论文提出移动智能体决策完整性基准 DIBench,发现欺诈 UI 注入诱导目标选择并推高完成率,通用防御收益不稳定。

    Paper analysisRead analysis
  10. ORBIT:基于 UK AISI Inspect 的多智能体安全评测框架

    提出 ORBIT 框架,评测多智能体防御对合谋等威胁的效果

    Published
    Evaluated models
    GPT-5.4, Claude Sonnet 4.6, Qwen3-235B and others5

    AbstractORBIT 用六层配置比较多智能体防御,逐动作监控不迁移到合谋。

    Paper analysisRead analysis
  11. TrustFork:显示身份如何劫持 LLM 智能体编排的权限

    提出 TRUSTFORK 基准,评测展示身份劫持多智能体编排权限

    Published
    Evaluated models
    GPT-5.6-Sol, GPT-5.6-Luna, Kimi-K3 and others8

    Abstract论文提出了多智能体安全基准 TRUSTFORK,揭示展示身份如何劫持操作权威,并证明事后验证无法弥补已发生的执行破坏。

    Paper analysisRead analysis
  12. NavSafe-∞:在真实感环境中评测闭环驾驶安全

    提出 NAVSAFE-∞ 写真闭环基准,评测端到端驾驶策略的闭环安全

    Published
    Evaluated models
    LTF, DiffusionDrive, DrivoR and others13
    Abstract写真事件级闭环基准显示开环高分不能稳定变成闭环安全。

    NAVSAFE-∞ 用写真、事件级闭环仿真检查端到端驾驶策略的安全,而不是只看开环轨迹分数。

    Paper analysisRead analysis