全部论文

LGWM：用动作条件世界模型验证 GUI 智能体的屏幕转移

提出 LGWM，用动作条件世界模型核验 GUI 智能体屏幕转移

arXiv

2610.11942

发表

10月8日

层

应用层

场景

网页与电脑操作

被测模型

LGWM

• 防御监控与审计
• 攻击提示注入
• 组件监控器
• +1+1

RSIGym：预算约束下的 AI 研究智能体评测环境与 RSI-Index 指标

提出 RSIGym 环境，评测研究智能体的递归自改进

arXiv

2610.10310

发表

10月8日

层

应用层

场景

science agent

被测模型

Claude Opus 5、Claude Opus 5.5、GPT-6 Astra 等 9 个

• 风险危险能力

CredLeak-Bench

提出 CredLeak-Bench，评测 Agent 面对钓鱼的凭据泄露与恢复

arXiv

2610.08871

发表

10月6日

层

应用层

场景

web agent

被测模型

Claude Sonnet 5、Claude Opus 4.8、Gemini 3.6 Flash 等 7 个

• 攻击提示注入

TasteVal 基准：用算力效率衡量 AI 的实验研究品味

提出 TasteVal 基准，衡量模型设计实验并解释结果的研究品味

arXiv

2610.06824

发表

10月6日

层

应用层

场景

science agent

被测模型

Opus 5.5、Fable 5.1、GPT-6 Astra 等 20 个

• 风险危险能力

Inspect Robots：面向具身智能体评测的开源模块化框架

提出 Inspect Robots，在真实机器人上评测具身模型的能力与拒答

arXiv

2610.06306

发表

10月5日

层

应用层

场景

具身与机器人

被测模型

Astra（GPT-6 Astra）、GPT-6 Sol、GPT-5.6 Sol 等 7 个

• 风险拒答失当

ControlPed 生成逼真行人危险动作场景，七款端到端驾驶模型 HDScore 从 88.8 降至 47.4

提出 ControlPed 与 HazardPed，生成可控行人危险场景并评测端到端驾驶

arXiv

2610.06171

发表

10月5日

层

模型层

场景

具身与机器人

被测模型

DiffusionDrive、SSR、VAD 等 7 个

• 组件视频

AgentDoxx：联网搜索 Agent 对匿名访谈文本的再识别评测

构建 AGENTDOXX 基准，评测联网搜索 Agent 对匿名访谈的再识别

arXiv

2610.05586

发表

10月5日

层

应用层

场景

web agent

被测模型

GPT-5.6 Terra、GPT-5 Mini、GPT-4.1 Mini 等 10 个

• 攻击恶意使用
• 组件RAG

AutoSciBench：自动生成科学智能体评测基准的框架

提出 AutoSciBench，循环生成科学智能体评测任务

arXiv

2610.05140

发表

10月4日

层

应用层

场景

science agent

被测模型

Claude Opus 5、Claude Opus 4.8、Claude Opus 4.7 等 10 个

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

arXiv

2610.04366

发表

10月3日

层

应用层

场景

具身与机器人

被测模型

Lane-graph planner、PDM-closed planner、IL planner 等 5 个

HyperBrowseComp：面向网页浏览 Agent 的多语言多模态压力测试基准

构建网页浏览 Agent 的多语言多模态压力测试基准 HyperBrowseComp

arXiv

2610.03574

发表

10月3日

层

应用层

场景

web agent

被测模型

Gemini 3.1 Pro Preview、Gemini 3.7 Flash、GPT-5.6 Terra 等 5 个

EvalResearchBench：AI 智能体自主设计评测基准

提出 EvalResearchBench，评测智能体自建评测对目标基准的排序一致性

arXiv

2610.04184

发表

10月3日

层

应用层

场景

science agent

被测模型

GPT-6 Astra、GPT-5.6 Sol、GLM-5.3 等 9 个

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

arXiv

2610.02874

发表

10月2日

层

应用层

场景

具身与机器人、多智能体

被测模型

Frozen L0、L0-T、L1 等 5 个

Control OSWorld：面向 GUI 计算机操作 Agent 的 AI 控制评测环境

提出 Control OSWorld，评测失准 GUI Agent 的监控

arXiv

2610.03818

发表

10月2日

层

应用层

场景

网页与电脑操作

被测模型

Claude Sonnet 4.6、Claude Opus 4.8、GPT-5.2 等 6 个

• 防御监控与审计
• 风险欺骗与谋划
• 组件监控器

OSWorld-Science：面向科学软件学习与使用的计算机操作智能体基准

提出 OSWorld-Science 基准，评测计算机使用智能体完成科学软件工作流的能力

arXiv

2609.39903

发表

9月30日

层

应用层

场景

网页与电脑操作

被测模型

Claude Fable 5.1、Claude Opus 5、Claude Sonnet 5 等 12 个

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

arXiv

2609.38948

发表

9月30日

层

应用层

场景

具身与机器人

被测模型

GPT-6 Astra、Claude Fable 5.1、Grok 4.6 等 4 个

• 组件视觉

EngiWorld 基准发布：前沿 Agent 在专业工程环境中最高仅得 44.3 分

提出 EngiWorld 基准，评测 Agent 在专业工程软件中走完设计闭环的能力

arXiv

2609.37686

发表

9月29日

层

应用层

场景

网页与电脑操作

被测模型

Claude Opus 5 (Max)、GPT-5.6-Sol (XHigh)、Qwen 3.8 Max 等 7 个

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

arXiv

2610.06898

发表

9月29日

层

应用层

场景

网页与电脑操作

被测模型

Qwen2.5-VL(32B)、Qwen3-VL(32B)、GUI-Owl(32B) 等 7 个

• 攻击提示注入
• 组件视觉

BIABench：评测 AI 智能体在真实生物图像分析任务上的表现

提出 BIABench，评测智能体完成真实生物图像分析任务的能力

arXiv

2609.34274

发表

9月28日

层

应用层

场景

science agent

被测模型

GPT-5.6 Sol、Claude Opus 5、Kimi K2.6 等 6 个

AgentTell：浏览器 Agent 的行为侧信道泄漏基准

构建 AGENTTELL 基准，测量浏览器 Agent 的行为侧信道隐私泄露

arXiv

2609.32915

发表

9月27日

层

应用层

场景

web agent

被测模型

Claude Sonnet 5、Gemini 3.7 Flash、GPT-5.6 Luna 等 6 个

• 风险Agent 危险操作

微软研究院发布 CAVEAT

提出 CAVEAT 基准，评测激励失配市场中计算机使用 Agent 的购买决策退化

arXiv

2609.27273

发表

9月23日

层

应用层

场景

web agent

被测模型

GPT-5.6-Sol、GPT-5.6-Terra、GPT-5.6-Luna 等 14 个

• 风险Agent 危险操作