标签
论文提出 M³，一个将多轮越狱形式化为有限时域马尔可夫决策过程（MDP）的自动化红队框架，在两个基准、六个目标模型上将攻击成功率（ASR@5）提升最高达 53%，显著优于现有黑盒多轮红队方法。
OmicsBench 提出了一个长时程、多轮次基准，包含 97 个采用有向无环图（DAG）结构的生物信息学任务（共 662 个子任务），用于在研究项目规模的工作流程中评估 AI 智能体，揭示了显著的性能差距，并引入了一套无监督失败模式发现流程。
本文提出，通过以信息增益为奖励，训练指导动作选择的推理过程，将序贯贝叶斯实验设计摊销到大语言模型中。在“二十问”任务上训练得到的策略，以更低的成本超越了训练时和推理时的贝叶斯实验设计（BED）基线，能够泛化到未见过的类别，并迁移至 Medi-Q 临床对话基准。
TreeHCA 提出将后见比率引导的探索与后见信用分配耦合，通过参考答案似然变化重建中间历史并生成替代续写，形成推理与工具交互树，并用归一化树回传将终局结果传播为回合级优势，在七个问答基准和三个 Qwen 主干上超越所有基线。
This paper presents MIMESIS, a specialized user simulator (a 9B model) trained on real user conversations with explicit reasoning supervision, surpassing frontier models in behavioral fidelity. The study further freezes this simulator and uses it for multi-turn reinforcement learning to train agents, and proposes the **Coached On-Policy Self-Distillation (CSD)** method, achieving stronger generalization performance across nine unseen user simulators.
AdviSD 提出一种方法：由一个小型可训练的顾问模型，通过定向多轮自蒸馏来引导冻结的前沿 LLM 执行器，将基于结果的强化学习与以反馈为条件的自蒸馏相结合，后者有选择性地利用纠正信息。在 Qwen3-8B 顾问引导 Gemini 和 Claude 的实验中，BFCL-v3 和 EnvScaler 上取得了 4-6 分的提升，并表现出良好的跨域泛化能力。
MURPHY引入了一种反馈感知的多轮GRPO扩展，用于自纠正代码生成，通过奖励为后续成功提供反馈的早期尝试来提高基准性能。
本文提出了 IntentFlux，一个用于度量多轮 LLM 智能体中意图漂移的可执行基准；同时提出了 StateForge，一种显式的活跃需求维护方法，能在对话中途用户改变主意时部分提升任务得分。
介绍PII-TRACE，首个用于多轮LLM对话中上下文感知PII检测的基准，以及PII-Tracer，一个实现高实体级覆盖率的紧凑检测器。
本文诊断了AI智能体中次轮评估指标与自主工作流执行成功率之间的差距，表明监督微调虽然提升了轮次级别的性能，却未能增强端到端的工作流成功率。
本文介绍了τ-Elicitation，一个用于评估语音代理中多轮实体提取的基准，指出了策略选择和错误恢复是关键瓶颈。
SCX Router 引入了一个基于GLiClass的轻量级模型选择工具，该工具使用解码器-KV分类器和任务本体来路由LLM任务，优化速度、成本和质量，无需自回归生成。
PGPO 提出势引导策略优化用于多轮智能体任务，使得在 LLM 后训练中实现更细粒度的信用分配，并在 ALFWorld 和 WebShop 基准测试上展示出强劲结果。
EvoGenUI-Bench引入了一个用于评估LLMs作为多轮生成UI助手的基准测试，专注于接口维护，涵盖150个任务，在状态传播和外部基础方面存在挑战。
提出HiDiffTIR，一种面向LLM代理中多轮工具集成推理的层次难度感知策略优化框架，通过细粒度信用分配提升性能和工具调用准确性。
本文介绍了多轮经认证鲁棒性（MTCR），一个通过组合方法和安全持久性提供更紧界限来认证大型语言模型针对多轮越狱攻击安全性的框架。
OmniAssistBench 是一个用于评估作为实时视频助理的全能大语言模型的基准测试，揭示当前模型在视觉提示、上下文保持和及时响应方面存在困难。
DART-SD提出了一种拓扑感知的检索和调优框架，用于基于LLM的工具调用代理的自蒸馏，通过仅纠正关键拓扑断点并保留有效推理来提升策略多样性。
本文介绍了一种多阶段框架WER，它使用执行反馈的强化学习来训练技能优化器，以改进工具使用代理，在BFCL v4和τ2-bench等基准测试中实现了显著的性能提升。