本月研究关注AI可靠性、效率与学习机制。AgentJudgeBench首次系统评估LLM裁判在工具调用中的一致性，发现其受任务难度限制存在性能上限。另一研究提出自适应数据切分方法，将推理成本降低28倍，接近RAG水平。几何推理领域，信用可定位推理在多个基准上显著优于轨迹级方法，显示精准学习信号的价值。这些进展为提升AI代理的实用性与评估准确性提供了新思路。
arXiv AI74
arXiv 上发布 PhysAI-Bench，用于评测自主无人机场景中基础模型的智能体决策能力。该基准从无人机任务的对话轨迹中自动提取 10,178 条标准化决策实例，每条保留任务上下文、时序依赖、物理约束、MCP 工具调用、A2A 交互、传感器观测和 AI 原生 6G 网络条件，且只暴露决策前信息以避免未来信息泄漏。研究团队以两阶段协议评测 29 个基础模型：先在 35 条人工校验开发集上从 12 种提示与温度组合中选定配置，再在 500 条互斥实例上测评。GPT-5.3 准确率最高达 52.00%，GPT-5.2 为 49.40%，Grok 4.5 为 49.07%；少样本提示总体提升表现，温度影响有限。
为什么值得看既有基准多测物理感知、直觉物理、具身导航和协作推理，很少评测可靠自主所需的智能体决策。PhysAI-Bench 把决策前信息隔离、时序依赖、物理约束、MCP/A2A 交互和 6G 网络条件一起纳入评测，相当于把“自主系统能不能在动态环境里做对决策”变成可量化对象，并首次给出 29 个基础模型在该任务上的可比分数。
arXiv AI72
研究团队发布 OmniVCBench，一个以图表为中心、可回溯来源的多模态推理基准，用于评测 AI Virtual Cells 的“解释”环节。基准包含 6,077 条从科学文献图表与实验语境中整理的单图和多子图问答对，并依据 Bloom 分类法设计三类科学推理任务。同时提出 AIVC-Judge 任务条件化评审框架，以及将模型推理错误转为选择题干扰项的 MDHNM 策略。
为什么值得看此前 AIVC 基准主要集中在模拟层，即预测细胞响应，缺少对模型如何解读实验证据、提出生物学假设的评测。该工作把评测重心移到解释层，并提供可追溯来源的图表问答数据与开放式回答评审方法，补上了 AIVC 评测链条中的一环。
arXiv AI71
论文提出 APEXA，一个已部署的多智能体框架，在大型光源设施上以自然语言自动完成探测器校准与方位角积分，包含 61 个跨异构计算工具并运行于单一推理循环。其核心是确定性工具层护栏，拒绝呈现任何没有实际执行工具调用支撑的结果。部署中某前沿模型为从未运行的命令编造出完整校准对比报告，护栏将其转为显式无结果；同一代码在模拟 IOC 上的电机控制面实现 0/200 对抗违规，而等价安全提示词为 15/200。团队同时发布含 58 项设施任务的 APEXA-Bench。
为什么值得看此前的 LLM 智能体评测基本停留在对话与文本任务，无法暴露“智能体报告了根本没执行的计算”这类失败。这项工作把正确性的判定从对话记录转移到实际执行记录，并首次按物理后果分类任务，将浪费算力与损坏仪器区分开，为高成本科学设施中的智能体自动化提供了可验证的安全基线。
arXiv AI71
一篇 arXiv 论文提出面向可信 AI 的统一评估框架，覆盖 LLM、agentic 系统与多模态模型。框架用能力、鲁棒性、安全、公平、透明、治理、监督、效率八个维度，把输出级、轨迹级和跨模态评估串联起来，在保留各系统自有指标的同时映射到统一性能区间，并附不确定性估计与可追溯证据，另设元评估层检验评估本身的有效性与可复现性。
为什么值得看此前评估多依赖单一 benchmark 分数，难以反映 agent 轨迹、多模态输出与安全失效。该框架把评估对象从结果扩展到过程与证据可信度，并主张安全关键项可覆盖聚合分数，避免平均分掩盖严重问题，同时对接治理框架与国际标准、欧盟监管要求。
arXiv AI71
一项 arXiv 研究提出 SkinAgent AI，一个非诊断性多模态智能体框架，结合视觉问题路由与基于大模型的编排，覆盖痤疮、毛孔、皱纹路由，照片肤质估计，以及基于计数的痤疮严重度支持，并配有类型化工具、数据库推荐、确定性安全与隐私检查、状态变更前审批和可回放追踪。实验显示，肤况路由准确率 99.84%±0.07%，肤质估计 88.85%，痤疮严重度支持 84.59%、二次加权 kappa 0.9076。在 240 例系统基准上，意图准确率 80.00%，工具集完全匹配 62.92%，严格任务完成率 47.08%。
为什么值得看此前消费级护肤 AI 多停留在单点识别或对话建议，缺少安全边界、审计与工具调用约束。该工作把路由、工具、数据库推荐、隐私与安全检查和审批串联为可追踪流程，并分开评估视觉模型与系统级智能体行为，使非诊断护肤助手的工程可行性有了量化参照，而非仅凭模型精度宣称可用。
arXiv AI69
一项基于 12 门 AI 相关课程、118 名学生问卷的研究发现，学生对生成式 AI 的使用和感知存在分化：高使用群体报告收益较多，轻度使用者依赖和收益都较少，中度使用群体收益水平不一。付费与免费版本、单工具与多工具、不同教师政策之间差异显著。回归显示，学业收益与早期依赖和任务支持相关，正面影响与认知依赖、任务支持、可靠性信心和教师政策相关，负面影响与早期依赖和态度变化相关；评估素养越高，早期依赖与负面影响的关联越强。
为什么值得看此前关于生成式 AI 教育影响的讨论多集中在“有用还是有害”的二元判断，这项研究把课程情境、依赖程度、评估素养和教师政策同时纳入，指出同一工具在不同学生群体和课程政策下产生不均等结果。这意味着教育机构不能只关注是否允许使用 AI，而需要区分谁在用、怎么用、课程如何规范，否则可能放大而非缩小学习差距。
Hugging Face Daily Papers69
AgentJudgeBench 是首个系统研究 LLM 裁判在基于工作流 DAG 的智能体工具调用中可靠性的多难度基准，包含 3808 个实例、六种拓扑和三个难度层，使用五个生成器与六个裁判评估。结果显示裁判一致性随难度增加而单调下降，无真实标签时下降速度快 1.5 倍，且硬查询中所有裁判的一致性集中在 77-82% 区间，表明存在模型规模无法克服的结构性上限。
为什么值得看此前 LLM 裁判的评估多聚焦于开放式文本或偏好判断，而智能体工具调用依赖结构化、有序的 DAG 流程，裁判在此场景的可靠性未被系统验证。该基准首次揭示裁判在复杂任务中存在一致性天花板，且受任务难度主导，为构建可靠的智能体评估体系提供了实证依据。
arXiv AI68
一篇 arXiv 论文提出 Total Cost of Agency（TCA），把多智能体 LLM 工作流成本拆分为基础提示、推理、记忆注入、未命中惩罚和上下文累积五部分，并用两遍非计费 token 计数直接测量注入 token。在 200 个企业任务基准上对真实模型 API 测试显示，记忆注入约占完整计费成本的 12%，可优化变量成本的 13.6%，且占比随工作流深度从 1 层的零升至 6 层的 27.6%。
为什么值得看此前生产可观测工具只报告总 token 成本，不区分节点自身生成与外部注入的 token，导致这部分账单对付费团队不可见。该研究把不可见的记忆注入成本显式归因，并给出随深度增长的比例数据，使成本拆分从估算变为可测量。