另有216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。
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。
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。。
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。
提出 RSIGym 环境，评测研究智能体的递归自改进
用混合生成式多智能体仿真考察基准留出对评分与满意度差距的影响
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
实现 DEFER，以确定性检查优先拦截多智能体流水线的内容攻击
DEFER 用来测量多智能体授权流水线里，确定性规则在何处结束、LLM judge 从何处开始。
提出 TasteVal 基准，衡量模型设计实验并解释结果的研究品味
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 multi-CaMeL，在智能体调用边界隔离可信指令与非可信数据
摘要论文针对多智能体中单体防御不组合的边界清洗问题，提出 multi-CaMeL 协议彻底阻断了 MultiAgentDojo 上的注入攻击。
提出 AutoSciBench，循环生成科学智能体评测任务
AutoSciBench 研究科学智能体基准能否自动构造，并随 solver 行为迭代改编。
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。
对自主 LLM 智能体日志做身份盲置换以量化串通
作者把 Nightingale Collective 所记的 wiki 旁路事件，做成相对身份置换零模型的定量配套，并写出四类会使协调检验失真的构造错误。
提出检测、结构化与 GSPO 流程，降低共识生成的提示注入错位
这是一篇把 LLM 数字孪生放进增强民主的博士论文，分个体表示、政党聚合和共识生成的提示注入三章。
提出 EvalResearchBench，评测智能体自建评测对目标基准的排序一致性
ERB 用来测一件事：智能体在固定预算内做出的可执行评测，能否复现既有基准对候选模型的分数和排序。
测量多智能体博弈中数值信号的结构及其对合作的影响
四种 LLM 在四个经典两人博弈中交换无预设语义的数字时，消息结构可以跨模型出现，合作水平的变化则不能跨模型外推。