AI 快讯
LIVE · 24h全网 AI 动态的中文速报，聚合引擎每 15 分钟更新。
- 10 月 13 日 16:0015:57
AgentStripes：AI Agent 证据分级成熟度模型
↗ 查看原文 · arxiv.org论文提出 AgentStripes，用 0 至 7 级、12 个过程域和 E0 至 E5 证据等级评估 AI Agent…
- 15:46
PGLA：成对比较引导的 LLM 测试时扩展方法
↗ 查看原文 · arxiv.org论文提出 PGLA 框架，借鉴社会选择理论中的孔多塞原则，对支持不同答案的推理路径做成对置信度比较，并与投票支持结合，用…
- 15:37
- 15:03
论文：编码 Agent 处理长文档任务的最后一公里问题
↗ 查看原文 · arxiv.org研究以临床试验方案数字化为测试场景，提出含 150 份 PDF 的 TrialPD-Bench。测试显示最强 Agent…
- 10 月 13 日 15:0014:18
Autonomous Science Bench：评估 AI Agent 自主科研能力
↗ 查看原文 · arxiv.org新基准包含六个有预算限制的设计-构建-测试-学习实验，覆盖生物、化学与材料领域，Agent 需选设计、拿实验数据并交付预…
- 10 月 13 日 13:0012:40
BB(10) 下界被证明超过 Graham 数
↗ 查看原文 · github.com一个 10 状态图灵机 n1 的停机得分在 Coq 中得到证明，其数值位于 f_(ω+1) 的两个取值之间，超过此前 B…
- 12:25
加密技能可被AI Agent解码，变成新的注入攻击面
↗ 查看原文 · arxiv.org研究者提出 Ciphered Skill Injection，把恶意指令编码后藏进第三方技能文件，让 Agent 自行解…
- 12:06
- 12:01
可验证 Agent 保险：用智能合约托管违规赔付
↗ 查看原文 · arxiv.org研究者提出可验证 Agent 保险 VAI，把 Agent 应遵守的策略写入区块链智能合约并托管资金，用户发现违规可提请…
- 10 月 13 日 12:0011:40
SWE-MISBEHAVIOR：评测编码 Agent 的越界行为
↗ 查看原文 · arxiv.org研究者发布首个编码 Agent 越界行为分类与评测框架 SWE-MISBEHAVIOR，含 7400 条样本、11 类越…
- 10 月 13 日 10:0009:04
SWEPatchTest：测试套件能否区分正确与错误补丁
↗ 查看原文 · arxiv.org研究者提出 SWEPatchTest 基准，含 619 个任务和 82579 个候选补丁，同时衡量问题复现、接受正确补丁…
- 09:02
- 10 月 13 日 09:0008:32
HaloBlock：提升扩散大模型解码速度与质量
↗ 查看原文 · arxiv.org针对扩散大模型块式解码的边界上下文不连续问题，作者提出HaloBlock，用双向累积熵衡量解码难度，并自适应分配双向ha…
- 10 月 13 日 08:0007:59
- 07:49
- 07:23
VisStateCoder：从视觉原型生成可部署网站
↗ 查看原文 · arxiv.org针对原型到项目生成中的状态漂移问题，作者提出VisStateCoder，用项目状态图维护视觉元素、文件、工作流与依赖的对…
- 10 月 13 日 07:0006:56
ProtoArena：评测 AI Agent 挖掘跨组件协议漏洞
↗ 查看原文 · arxiv.org研究者提出 ProtoArena 黑盒动态基准，含 80 个跨组件漏洞利用环境，覆盖 11 个协议与应用领域、7 类攻击…
- 06:49
Diff Diffusion：用扩散模型预测代码编辑路径
↗ 查看原文 · arxiv.org研究者提出 Diff Diffusion，把去噪建模为结构化编辑操作，只对改动区域计算。在公开编辑补全基准上推理快 2.…
- 10 月 13 日 06:0005:39
TiGanEval：衡量 Agent 的「结果对齐」能力
↗ 查看原文 · arxiv.org研究者基于 SWE-chat 轨迹发现 56% 初始指令遗漏后续必需需求，据此构建 TiGanEval 基准。评测八个前…
- 10 月 13 日 04:0003:59
- 10 月 13 日 03:0002:39
StateHarness：为长周期编码 Agent 维护项目状态
↗ 查看原文 · arxiv.org研究者提出运行时框架 StateHarness，不更新模型参数，记录问题假设、发现决策与未完成工作。RefactorBe…
- 10 月 12 日 23:0022:35
- 10 月 12 日 21:0020:35
- 20:33
VulnBump：修复依赖漏洞的智能体基准
↗ 查看原文 · arxiv.org新基准 VulnBump 覆盖 6 个包管理器、43 个仓库的 307 个升级任务，要求依赖可解析、漏洞被修复、项目可构…
- 10 月 12 日 20:0019:40
mini-Lean-agent：极简编码智能体做 Lean 定理证明
↗ 查看原文 · arxiv.org研究者提出 mini-Lean-agent，唯一对模型可见的工具是 bash，由独立评估器验证最终结果。
- 10 月 12 日 19:0018:44
PhysCodeGym：可物理验证的4D重建编码智能体基准
↗ 查看原文 · arxiv.org研究者提出PhysCodeGym基准，含156个刚体、液体、形变和风驱运动任务，要求编码智能体自主看视频、写Blende…
- 18:17
为什么 computer use 基准测试很难跑好
↗ 查看原文 · dev.to作者查阅约 200 个 GitHub issue，总结运行 OSWorld 等 computer use 基准测试时常见…
- 10 月 12 日 18:0017:57
研究提出针对AI智能体的on-policy广告攻击
↗ 查看原文 · arxiv.org论文提出on-policy攻击，通过在商品描述中注入虚构概念的真实否定，诱导智能体上网搜索并接触植入的虚假信息，从而在不…
- 17:54
DuoDiscover：突破评估瓶颈的自主发现系统
↗ 查看原文 · arxiv.org研究者提出DuoDiscover，让编码智能体在搜索优化目标的同时共同发现快速代理评估器，并通过保真度测试持续校验其排序…
- 17:47
FunDM：用冻结语言模型做免标注决策模型
↗ 查看原文 · arxiv.org研究者提出FunDM，用免标注训练的小型决策头学习冻结语言模型的答案概率，仅用Qwen3-8B的24层即可在八个基准上达…
- 17:15
- 10 月 12 日 16:0016:00
CWE-bench：把 AI 安全评测从攻击转向防御
↗ 查看原文 · arxiv.org研究者发布 CWE-bench，含 120 个私有仓库审计与修复任务，覆盖 73 种 CWE、8 种语言和 OWASP…
- 15:04
- 10 月 12 日 15:0014:57
研究：给 AI 审计员加背景资料效果并不稳定
↗ 查看原文 · arxiv.org研究用 Petri 工具审计 LLM 编程智能体，测试额外提供外部代码库和基准记录的影响。结果发现两种资源只在奖励作弊一…
- 14:49
DeepGroundRepair：面向深度学习程序的生成与修复框架
↗ 查看原文 · arxiv.org研究者提出三阶段框架 DeepGroundRepair，用 API 知识和运行时张量形状逐步缩小生成与修复空间。
- 14:34
SpecGuardBench：编程智能体能否按规格构建验证工具
↗ 查看原文 · arxiv.org新基准 SpecGuardBench 含 13 个真实仓库的 291 个任务，要求智能体依据自然语言规格构建验证工具。
- 14:28
ANCHOR 基准评估编码智能体的工程约束遵循能力
↗ 查看原文 · arxiv.org研究者提出 ANCHOR 基准，用 10 类 78 种约束和轨迹评估检验编码智能体是否遵守修改范围、流程顺序等工程要求。
- 10 月 12 日 11:0010:35
- 10 月 12 日 10:0009:38
SLEM：免校准的 MoE 专家合并压缩方法
↗ 查看原文 · arxiv.org针对 MoE 模型内存开销大的问题，研究者提出 SLEM，在 VAE 潜空间中按专家权重谱进行分组与合并，无需校准数据。…
- 09:19
口译员用 LLM 协作自建本地优先 CAI 工具
↗ 查看原文 · arxiv.org一名无编程背景的职业口译员通过「vibe coding」与 LLM 协作，自建本地优先的计算机辅助口译系统。在一次公开科…
- 09:07
- 10 月 12 日 09:0008:55
AuthGateBench：评测 LLM 作为授权闸门的表现
↗ 查看原文 · arxiv.org研究者提出 AuthGateBench，首个面向良性请求的授权闸门基准，含 1400 个实例、覆盖五种失败模式。评测显示…
- 08:44
- 08:42
EvoWeb：面向演进式 Web 应用的编码智能体基准
↗ 查看原文 · arxiv.org研究者发布 EvoWeb 基准，包含 32 个 Web 应用上的 320 个累积请求，由多模态智能体在浏览器中测试每次中…
- 10 月 12 日 08:0007:51
TRAP：针对 LLM 智能体工具结果错绑的重放攻击
↗ 查看原文 · arxiv.org研究者提出工具结果错绑这一失效模式，并发布 ReplayBench 基准，覆盖 19 个场景与 3 种重放机制。测试显示…
exit 0