另有 244 篇论文还没打上分类标签，暂不在筛选结果里。
提出 ISE 框架，评测 LLM Agent 在知识冲突下的认知谦逊
作者要测的不是智能体最终答得对不对，而是知识冲突出现时，它有没有在轨迹里认出缺口、做有界的工具跟进，并把没解决的不确定性写给用户。
提出 LGWM，用动作条件世界模型核验 GUI 智能体屏幕转移
提出义务识别基准 ObligationBench，并训练护栏识别 Agent 未履行的安全义务
作者认为编码智能体的安全不能只靠拦截禁止动作，还要找出终止时仍未做的安全关键动作，并将其称为义务。
提出 RSIGym 环境，评测研究智能体的递归自改进
用对照实验隔离评测设计对漏洞补丁基准得分的影响
作者把 LLM 漏洞补丁基准的评测流水线当作会改变测量结果的对象，并明确说本文不是再做一个用于排名的基准。
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 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 TESTJACK，动态审计编码基准通过判定是否满足任务要求
评测 LLM 审计 Agent 日志时来源重建是否有证据支持
包级审计检查保存的智能体动作里，哪些来源结论能被交给分析者的记录支持。
提出 agent plasticity 指标衡量智能体通过经验自我改进的效率
作者用 agent plasticity 衡量一件事：权重冻结时，智能体把经验写成可继承制品，再换成留出能力增益，这个转换有多省。
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。
在 CWEval 上跟踪代码生成的功能-安全差距
摘要绝对安全性上升且差距仍在，开放权重并不分开各家族的轨迹。
用 Learn2Play Bench 评测 Agent 从经验中学习陌生规则
Learn2Play Bench 用新设计的隐藏规则文本游戏，评测 LLM 智能体在不更新权重时从交互中学习的能力。
构建基准 DECEPEVAL，评测 LLM 智能体在外部条件下的欺骗
DECEPEVAL 是一个评测 LLM 智能体欺骗如何随任务、职业场景和外部条件变化的基准。
提出 CredLeak-Bench，评测 Agent 面对钓鱼的凭据泄露与恢复
构建 SAFEACTBENCH 评测工具型 Agent 的证据到行动失败
SAFEACTBENCH 评测工具智能体的 consequential actions 是否由行动前已建立的证据支持，而不是只看终态对不对。
评测编码智能体 harness 安全机制在对抗任务中的防护效果
用 CheckerBench 评测长程编码 Agent 合成静态分析检查器
提出 nmult 并评测 Agent 动作门禁堆叠的错误相关性
论文是一项针对智能体动作拦截防御堆叠故障关联性与实际组合价值的实证测量研究。
提出 Trust Layer 后置审查框架，核验智能体基准记录分数是否可信
摘要论文提出了后置验证智能体记录分数的四维信任层，揭示了基准高分背后普遍存在作弊、虚报与不稳定现象。