另有203篇论文还没打上分类标签，暂不在筛选结果里。
提出 RSI-Anything，用世界模型选择候选并保留策略更新
RSI-Anything 是一个跨领域框架：用世界模型预测决定哪些候选去拿外部反馈，再用反馈决定策略、工作流或预测器是否更新，并用检查决定哪一对被保留。要处理的困难是交互预算有限，以及策略一变，预测器面对的候选分布也会变。作者认为只改进其中一侧，不保证组装后的系统更好。
用 OpenSocialJax 评测多智能体在隐藏规则社会困境中的适应
OpenSocialJax 评测 LLM 能否在序贯社会困境中同时适应不熟悉的环境机制和其他智能体。
提出证据驱动多智能体框架 EviRepair，用于仓库级漏洞修复
EviRepair 是面向稀疏漏洞报告的仓库级自动漏洞修复框架，用审查后的漏洞模型把诊断和补丁合成隔开。
作者搭建了一个可在笔记本上运行的本地智能体闭环，用来为自主系统的安全论证生成边缘场景，而不是发布一个新的公开测试集。
提出 EndoRSI，以物理证据递归改进内镜机器人策略
世界模型安全被组织成预测决策闭环的性质，而不是孤立的预测分数。
提出 SWE-Critix，后训练通用验证器评估编码 Agent 轨迹
提出 DRYLAB-Bench 评测 Agent 式 LLM 的高风险突变设计能力
展示奖励黑客可在多智能体编码系统中经代码、记忆和计划传播
编码 RL 诱发的奖励黑客可以离开源智能体，进入后续协作和系统协调。
提出 SWE-Duel，让编码 Agent 在评测时互评造题并盲审修复
SWE-Duel 是一个在评测时才生成任务和判定器的编码智能体竞技场，用来避开静态基准的泄露和饱和。
为失配智能体种群建立生态模型，说明协作产生起飞临界规模
作者用生态学的强 Allee 效应，讨论失配智能体种群会不会在个体能力不变时起飞。。
提出 COAP，用有状态代码在测试时无模型地控制机器人
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。。
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。。
提出 GROB，用只读公开痕迹保存候选智能体线索并检验归因边界
GROB 是一套多角色架构，在没有特权遥测、也不预先指定目标时，从公开网页痕迹里保存候选自主智能体活动，供日后解析。
重建 Agent 技能复制网络并建模源选择以指导安全审计
摘要论文重构了 GitHub 智能体技能复制网络，发现复制集中于少数仓库且很少随源更新，并提出了代码库审计推荐模型。
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。
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。