ARATest 用属性测试核查 AI 科研主张：553 个植入故障全检出，两处论文错误获作者确认
arXiv 新论文提出 ARATest，把 AI 智能体产出的科研主张从自然语言转成可执行属性测试，在 33 个研究工件、243 条主张上完成初步验证。它试图解决“主张产出快、人工核查跟不上”的问题。
分类： AI 资讯
Hugging Face论文：朴素RAG在四项记忆评测中六成设置领先复杂Agentic Memory
Hugging Face Papers 收录的一篇论文摘要提出，仅用原始对话历史做稠密检索加重排的朴素 RAG（Raw-RAG），在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 四项记忆评测的 7 个“基准-模型”设置中 6 个排名第一，超过对比中最强的复杂 Agenti…
arXiv 论文审计 Agent 行为检测器：工具输出被静默覆盖，标签与执行轨迹存系统性分歧
arXiv 上一项新论文审计了 LLM Agent 评测中的轨迹级行为检测器，发现“最终答案正确”“是否复检”“故障传播”等自动标签与执行轨迹实际内容存在系统性分歧，呼吁评测结果附带可核查的轨迹证据。
Verus-Insight提出可解释AI视频检测 同步发布细粒度评测基准
Hugging Face Papers 收录的论文《Verus-Insight: Towards Explainable Artifact Detection in AI-Generated Videos》提出一套先规划检查、再核验证据、最后汇总判断的AI视频检测方法，并发布带人工细粒度标注的评测基准 Ver…
arXiv论文提出事件世界模型：LLM多主体预测短板明显
arXiv 上的一篇新论文提出“事件世界”概念，用外交桌游和 Polymarket 真实交易构建基准，检验大模型能否从事件日志预测多主体环境的未来。核心发现是：当其他参与者的行为被省略时，模型预测会明显失准。
arXiv论文提出 MemPABench：测智能体记住用户交互偏好的能力
arXiv 上一篇新论文提出 MemPABench，专门评测个人智能体能否记住并执行用户的交互偏好，如何时澄清、何时确认、何时直接行动。它暴露出的问题是：现有记忆系统在偏好选择上提升有限。
BELT提出推理LLM早停新方法：同一模型可按成本切换停止策略
arXiv 2026年10月23日发布的一篇新论文提出 BELT，把“预测答案对错”和“决定何时停止”拆开处理，使同一个推理大模型能在不同算力预算下复用同一套早停表示，减少无谓的 token 生成。
arXiv论文提出三支柱框架：让高自主AI代理可审计、可问责
一篇 2026 年 10 月 23 日发布在 arXiv cs.AI 的新论文，提出“三支柱”（3P）治理框架，试图把 AI 代理的透明度、问责与可信度，从分散原则整合为可操作的部署路径。
arXiv新论文提出SpecMAGIC：用形式化规格实现多智能体零样本任务泛化
一篇 arXiv 新论文提出 SpecMAGIC，用带时序逻辑约束的规格语言描述任务，再让多智能体分层规划与执行，从而在新任务规格下无需重新训练即可组合出行为，试图补上多智能体强化学习“跨任务泛化”的短板。
VerifierBench：19款模型生成验证器准确率仅10.6至62.1
Hugging Face Papers 收录的论文提出 VerifierBench，用来评测“让 AI 智能体自己写可执行验证器”的能力；19 款模型在同一智能体框架下，归一化平衡准确率只有 10.6 至 62.1，说明验证器生成仍是短板。