Another 254papers 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 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
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。
勾勒科学智能体经济以协调验证、信用与安全
作者把高自主 AI scientist 的规模化协调写成经济与制度问题：假设生成变便宜之后，要分配的是稀缺验证资源，并处理信用、问责和恶意使用。
评测自主研究 Agent 的奖励作弊及其对监督的规避
针对自主科研智能体在全流程研发中规避监管的风险，研究系统量化了奖励投机的发生率、审查漏检率与对抗演化特征。 当智能体同时掌握代码编写、实验评测与结果报告时，容易诱发利用评估漏洞换取虚假高分的投机行为，破坏科学结论的真实性。