Another 240papers do not have category tags yet and are not included in filtered results.
Proposes RATED, which reranks agent tool retrieval using execution feedback
Proposing DRYLAB-Bench to evaluate agentic LLMs' high-risk mutation design capability
评测编码 Agent 中相似技能共同安装对已装技能核心功能的替代
作者对共同安装、做同一件事的良性 skill 做实证研究，用核心功能是否还在，而不是任务过不过，来看冲突。。
用时钟 harness 和预算塑形 GRPO 改善 Agent 的按时返回
作者研究小规模 LLM 智能体在显式 wall-clock 预算下能否按时返回，并把更多时间换成更好的解。
提出 BRANCH 方法，用分支搜索绕过多扫描器护栏
测量工具调用 Agent 对显式报错与静默损坏的检测和恢复
作者在 BFCL 多轮可执行环境上注入一次工具层故障，把注意到、改计划、恢复和重复分开记分，而不是只看任务有没有做完。
提出 OPUR 攻击，用似然梯度优化对抗后缀越狱 LLM 智能体
提出 AgentTime 基准，评测智能体按时长工作与估时能力
AgentTime 是对智能体时间自控的评测：预测任务耗时、按要求时长工作、事后估计已用时间。
提出 AdvSim2Real，协同训练网页智能体抵御页面注入
提出 ParanoiaEval 评测编码智能体的不必要风险处置
作者提出 ParanoiaEval，并称它是编码智能体风险处置能力的首个统一基准。要解决的问题是：证据已经确定风险应如何处置之后，智能体仍可能扩大验证、增加保护或备份，而现有评测要么只看功能正确性，要么把相关行为拆开研究。做法是把 NIST 的 ATMA 落到仓库任务。
比较量化 Agent 的工具故障恢复，检验提示词与评测口径是否反转比较方向
提出 SAFESHIELD，组织小语言模型部署时的安全决策
SAFESHIELD 是面向小语言模型的部署时安全框架，把运行时安全从单项审核改写成可检查的决策过程。
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 HERA，协同演化 harness 与环境以提升 Agent 拒答准确性
HERA 在模型权重固定时，让 harness 与可执行环境按失败协同演化，以改进 agentic abstention。
提出 Inspect Robots，在真实机器人上评测具身模型的能力与拒答
提出危害窗口与区间指标，统一评测分解攻击和提示注入下的智能体滥用监视
Abstract统一智能体滥用监视框架，动作视角兼顾两类威胁但危害定位仍存瓶颈。
提出 SWE-CC 基准，评测编码 Agent 对仓库贡献策略的遵守
SWE-CC 评测编码智能体是否遵守仓库贡献策略，而不只看补丁能否通过测试。
揭示工具型智能体判定无用后仍不停止检索，并检验强制整合纠正效果
本文针对智能体在工具静默失效时过度检索的问题，系统分析了判定、信念与停止行动之间的解耦现象，并提出了外部规则整合方案。
提出 RAGStress 受控基准，评测知识库退化下的 RAG
RAGStress 是知识库损坏下的 RAG 受控压力测试。作者明确不把它当作模型排行榜。