另有215篇论文还没打上分类标签，暂不在筛选结果里。
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 LGWM，用动作条件世界模型核验 GUI 智能体屏幕转移
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
构建 BazaarBench，评测 C2C 市场中 Agent 的违规与失信行为
BazaarBench 针对大语言模型智能体在去中心化 C2C 交易中的代理安全问题，提出了一个结合底层实体状态与大模型裁判的仿真基准平台。
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 MASBench，评测部分可观测下的多智能体协作机制
MASBench 用部分可观测任务比较 LLM 多智能体的协作机制，而不是只看端到端能否做完。
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
CrashSim 用检索到的真实事故先验引导扩散式多车仿真，为自动驾驶安全评测生成碰撞与近碰撞场景。。
提出 SceneFactory-3D，用路况反事实评测驾驶策略的闭环安全性
SceneFactory-3D 是 GPU 批处理的多智能体驾驶仿真器，用来在场景和控制器固定时只改路面物理，并比较闭环结果。
提出 Control OSWorld，评测失准 GUI Agent 的监控
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
提出 A2A-TIBA，经 A2A 对等任务间接注入并植入常驻回调
A2A-TIBA 把间接提示注入和绕过放进 A2A：gray-box 攻击者已能投递任务，诱导目标部署常驻回调程序后，下令和外传不再经过智能体。
提出 MADBench，评测多智能体辩论是吸收还是放大对抗影响
MADBench 是一个评测多智能体辩论安全性的基准，用来看攻击是被辩论吸收还是被放大。
提出 DrivingBench，评测通用视觉语言模型能否闭环驾驶真车
DrivingBench 评测通用 VLM 能否自己闭环开真车，推理延迟也算进任务。
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
评测多智能体 LLM 组织跨时代再创业及历史打分中的事后泄漏
摘要组织看见转变却建在旁边。
用 DIBench 评测移动 GUI 智能体被 UI 注入后的决策完整性
摘要论文提出移动智能体决策完整性基准 DIBench，发现欺诈 UI 注入诱导目标选择并推高完成率，通用防御收益不稳定。
提出 ORBIT 框架，评测多智能体防御对合谋等威胁的效果
摘要ORBIT 用六层配置比较多智能体防御，逐动作监控不迁移到合谋。
提出 TRUSTFORK 基准，评测展示身份劫持多智能体编排权限
摘要论文提出了多智能体安全基准 TRUSTFORK，揭示展示身份如何劫持操作权威，并证明事后验证无法弥补已发生的执行破坏。
提出 NAVSAFE-∞ 写真闭环基准，评测端到端驾驶策略的闭环安全
NAVSAFE-∞ 用写真、事件级闭环仿真检查端到端驾驶策略的安全，而不是只看开环轨迹分数。
提出 OSWorld-Pro，用顺序子目标过程评测计算机使用智能体
OSWorld-Pro 是一套计算机使用智能体的过程评测，用来补充只核对最终交付物的 OSWorld。