标签
介绍了ContinualSkillBench，一个用于LLM智能体上下文内持续技能学习的动态评估框架，表明虽然顺序执行能提升性能，但当前方法难以将经验巩固为稳健、可迁移的技能。
本文提出了一种用于智能体记忆的纵向评估工具，通过在文本生成之前生成事实来避免标签错误和污染，并证明短期基准测试相比长期性能可能会错误地排序记忆架构。同时，它还发布了用于智能体记忆评估的开源库Veracium。
ClinFusion 是一个以视觉为中心的多模态大语言模型，用于全面医疗理解，它使用级联视觉编码器统一了 2D 和 3D 医学图像分析。它在 24 个基准测试中的 20 个上达到了最先进的结果，并在 16 个基准测试中的 13 个上超越了 GPT-5.2 和 Gemini-3-Flash 等专有模型。
本文介绍了 EoBench，这是一个基准测试，用于测试 LLMs 对以 19 种不同风格表述的虚假主张的接受程度，发现语气、确定性和语法形式显著影响模型响应，而更大的模型和经过指令调优的模型显示出更强的抵抗力。
MedDDC-Eval引入了一个针对多轮医疗咨询智能体的诊断解耦评估测试平台，将策略引导的对话历史与诊断生成分离，以实现对证据获取和诊断有用性的更清晰测量。
介绍了ENTRAP-VL，这是一个由1500个条目构成的分类结构化数据集，用于探测视觉语言模型中的语境夹带现象，并研究文本语境与视觉语境如何独立影响模型输出。
本文将大型语言模型中的机器遗忘界定为一个非对称泛化问题，提出了SUITE评估协议与训练语料库以解决遗忘不足与过度遗忘问题，并介绍了JensUn++算法，该算法在三个大型语言模型上实现了最佳的遗忘-保留效用权衡。
MentalHospital是一个虚拟环境，旨在评估AI智能体与人类专家在精神病学临床接诊中的表现，涵盖问诊、检查、诊断和治疗规划。实验通过客观与主观指标比较人类专家、受训人员及多种大语言模型。
本文概述了CLEF 2026上第二届TalentCLEF挑战赛，该挑战包含英语和西班牙语的职位-人员匹配与职位-技能匹配任务，吸引了超过400份提交。
本文介绍了Engram，一个开源的用于LLM代理的双时态记忆引擎，它通过检索一个紧凑的上下文片段（约9.6k token），在LongMemEval上以混合读取路径融合稠密、词汇、图和时间信号，比完整历史基线（79k token）高出10.4个准确率点。
本文介绍了对Activation Oracles (AOs)的改进，用于解释残差流激活，包括新的对话数据集、多层注入和基于策略的训练。作者还发布了AObench，这是首个用于评估AO质量的全面评估套件。
CausaLab 是一个可扩展的环境，用于评估LLM智能体在交互式因果发现中的表现，同时衡量预测准确性和对潜在因果机制的忠实复现。实验揭示了预测与机制复现之间的差距，突显了当前LLM智能体作为实验性因果推理者的局限性。
LongMINT 是一个基准测试，用于在长时域代理系统中评估多目标干扰下的记忆性能。
EVA-Bench 提出了一个全面的端到端评估框架，用于评估语音代理，模拟真实的多轮对话，并通过新颖的准确度（EVA-A）和体验（EVA-X）指标衡量语音特定故障模式下的性能。该基准包含企业领域的 213 个场景以及用于口音和噪声鲁棒性的扰动套件，揭示了当前系统的显著差距。
本文介绍了 TeamBench，这是一个用于评估在强制角色分离下智能体协同能力的基准测试，旨在解决仅靠提示词定义角色可能绕过预期约束的问题。
本文介绍了 DecodingTrust-Agent Platform (DTap)，这是一个用于跨多个领域评估 AI 智能体安全性的可控且交互式红队测试平台。文章还提出了 DTap-Red，一种用于发现攻击策略的自主智能体，以及 DTap-Bench，一个用于风险评估的大规模数据集。
本文介绍了 SWE-WebDevBench，这是一个包含 68 项指标的综合框架，用于评估 AI 驱动的应用开发平台作为虚拟软件代理商的表现。研究强调了当前平台在规范理解、后端可靠性、生产就绪性和安全性方面存在的关键差距。
OpenGame 是一个开源的智能体框架，旨在实现端到端的网页游戏创建。该框架由专用的 GameCoder-27B 模型驱动，并通过全新的 OpenGame-Bench 基准进行评估。
OpenAI 推出 GDPval，这是一个新的评估框架，用于衡量 AI 模型在涵盖美国 GDP 贡献最高的 9 个行业中 44 个职业的经济价值任务上的表现。该基准包括 1,320 个基于实际专业工作产物的专业化任务，代表了从学术基准向更现实的职业评估的进步。