标签
Telco-GAIA是一个用于评估电信领域工具使用智能体的双语多模态基准测试，包含100个经过人工验证的任务，要求对异构来源进行多跳推理，并通过精确字符串匹配进行客观评分。
介绍DFAH-Bench，一个用于衡量金融智能体决策中行为不稳定性的重放基准，发现仅凭结果一致性会遗漏显著的轨迹分歧。
本文引入“验证税”（Verifier Tax）概念，将AI代理的结果分类为安全成功、不安全成功或失败，并为使用工具的LLM代理提出了一种双层验证架构。
介绍了CICL，一种决策感知上下文层，通过将上下文视为决策时刻的干预，使用反事实启发式评分和类型化记忆卡（受令牌预算限制），为工具使用的LLM代理选择和压缩证据。在SWE-bench和RepoBench上的实验显示，在检索准确性和行动关键性方面取得了实际提升。
Aurora 是一个基于代理的视频编辑框架，它将一个工具增强的视觉语言模型代理与扩散变换器配对，自动解决用户请求中的文本和视觉未指定性，从而实现统一视频编辑任务，如替换、移除、风格迁移和参考驱动插入。