Another 313papers 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
提出研究合同，把已批准选择绑定到执行证据并由检查器核验
研究合同用来核验计算科学研究智能体是否仍在已批准研究之内，不判断科学是否为真。。
提出 RSIGym 环境，评测研究智能体的递归自改进
提出 comprehension audits，以人类理解证据作为继续研发门槛
本文是一份研发过程保障提案：用 comprehension audits 检验责任人是否理解 AI 参与产生的研发贡献，未达标就暂停后续开发与依赖该贡献的发布。。
提出 Secure-CUA，用动作事务约束计算机使用智能体的不可信影响
Secure-CUA 要限制图形界面里不可信内容对 CUA 决策和 GUI 执行的影响，同时保留合法任务所需的不可信信息。
提出 WebMirage，用局部对抗图像劫持视觉网页 Agent 的浏览器操作
WebMirage 是一个面向视觉定位网络智能体的流水线感知端到端红队攻击框架。
评测多智能体在开放式科研任务中找回预设子发现的能力
提出 AdvSim2Real，协同训练网页智能体抵御页面注入
提出 CredLeak-Bench，评测 Agent 面对钓鱼的凭据泄露与恢复
提出 TasteVal 基准，衡量模型设计实验并解释结果的研究品味
构建 AGENTDOXX 基准，评测联网搜索 Agent 对匿名访谈的再识别
Abstract论文提出了已知身份的重识别基准 AGENTDOXX，揭示搜索与记忆双重风险及现有防御在检索轨迹中的泄露漏洞。
提出 AutoSciBench，循环生成科学智能体评测任务
AutoSciBench 研究科学智能体基准能否自动构造，并随 solver 行为迭代改编。
构建网页浏览 Agent 的多语言多模态压力测试基准 HyperBrowseComp
提出 EvalResearchBench，评测智能体自建评测对目标基准的排序一致性
ERB 用来测一件事：智能体在固定预算内做出的可执行评测，能否复现既有基准对候选模型的分数和排序。
提出 WebFovea，加固视觉网页智能体的解析、执行、反馈与观察往返
评估自动化 AI 研发触发智能爆炸的可能并提出政策应对
Chan 等论证：自动化 AI 研发可能经软件反馈环形成智能爆炸，把本需数年的进展压进数月或更短。他们关心的不是换硬件的建设周期，而是 AI 扩大有效研发劳动力、再产出更强系统，以及社会能否在能力跃迁前看见、约束并适应这一过程。
提出 RSI-Master，约束自主后训练实验动作并结构化探索以防奖励作弊
提出 Veer，在网页 Agent 执行前改写会造成未授权后果的网页状态
提出 BIABench，评测智能体完成真实生物图像分析任务的能力
构建 AGENTTELL 基准，测量浏览器 Agent 的行为侧信道隐私泄露
Abstract论文评估了浏览器智能体的行为侧信道泄露风险，并基于近万次会话提供了评测数据。