arXiv AI68
该论文提出 AgenticBBO-Bench，一个跨领域 agentic BBO 基准，覆盖合成函数、超参数优化、数据库调优、芯片设计和分子设计，并在统一的有限预算评估协议下比较不同方法。实验显示，agentic BBO 在五个领域中的家族平均分均高于直接使用 LLM 的方法，并在四个领域超过最佳数值优化器。论文还分析了优化工具、任务信息与先验知识、LLM 在搜索中的角色三个因素，并发布包含五个任务的前沿挑战及 Codex agent harness 下七个 LLM 的评测。
为什么值得看此前 agentic BBO 研究使用不同任务领域和系统配置，结果难以横向比较，也无法隔离单项设计选择的影响。该工作首次在统一有限预算协议下跨五个领域评测，使 agentic BBO 与直接 LLM 方法、数值优化器之间的相对表现可被系统比较，并开始拆解影响 agent 表现的关键设计因素。
arXiv AI66
研究者发布 StoreBench，让智能体在生产级电商后端经营一家中型线上服装店，测试长程规划与不确定性下的经济判断。智能体使用与人类运营者相同的 29 个商家工具，通过窗口化操作预算使模型延迟不影响模拟时间。评测在 11 个场景、30 至 45 天及整年模拟、三个世界种子上进行，七个前沿模型无一在平均成绩上追平脚本化启发式策略：最佳 DeepSeek-V4-Pro 通过 49% 任务种子单元，启发式为 97%，人类专家通过同一工具与预算得分高于所有模型。
为什么值得看多数智能体基准是静态的：世界只在智能体行动时变化，奖励是终局判定，通过门槛任意设定。StoreBench 让时间随行动推进、客户全天候下单、供应商调价或断供、市场冲击带部分或零预警，并用脚本锚定策略校准门槛、针对奖励破解加固奖励、保证给定动作序列可完全复现。这使长程经营与不确定经济判断的评测更接近真实运营条件。
arXiv AI64
研究将 PNAS 的 4,000 篇 ChatGPT 之前摘要，与三家厂商在 2023 年 6 月至 2026 年 8 月发布的 23 个 LLM 版本改写结果配对，并在多种检测器维护场景下训练检测器。结果显示，仅用某厂商旧版本训练的检测器会在代际边界失效：在误报 1% 人类摘要的校准下，边界前可捕获逾 99% 改写，边界后仅 3.8%。模拟中，覆盖全部 23 个版本的筛查要么误标八分之一人类摘要，要么漏掉三分之一最新版本改写。
为什么值得看期刊和会议已开始筛查 LLM 代写，但其可靠性建立在固定版本基准上，而实际使用的模型版本持续更替。该研究说明，一次评测得到的检测准确率会随模型换代迅速过期，筛查能力可能在版本边界前后出现断崖式变化，削弱现有学术诚信政策的执行基础。
arXiv AI63
一篇 arXiv AI 论文提出三维刻画框架，将不同范式的序贯决策方法统一投射到 MDP 形式化，并衡量自主程度、技能与计算成本。作者用汉诺塔基准分析 Neurosolver、FBRL、AutoToS 及 DA-ToS，发现基于 LLM 的方法因动作空间约束弱，把复杂度从架构转移到推理时验证，内存与运行成本显著更高。
为什么值得看此前图搜索、强化学习与 LLM 方法多在各自设定下评估，缺少统一比较条件。该框架首次把 MDP 投射、人类先验自主度排序和技能与计算成本放在同一坐标系，为跨范式选型提供了可复用的对照口径。
arXiv AI61
一篇综述系统检验了 chatbot、copilot、RAG、workflow、coding agent、AI agent 等标签是否对应真实架构形态。作者调研来源后认为标签确有架构含义：copilot 指在宿主应用上运行的 router-worker 架构，每步需用户确认；agent 标签对应由 AI 规划的多步执行，用户只看到结果。四家主要厂商的 coding agent 共享同一架构——reason-and-act 循环并委派子代理。综述归纳出七种形态，并以 22 个系统为语料。
为什么值得看此前这些标签多被视为营销用语，缺乏统一对照。该综述把它们放进以 agent 与 tool 为核心的共同词汇，并按四个结构维度区分，使产品选型和架构讨论首次有可比较的参照，也指出 agent 标签背后用户确认点正从逐步转向仅看结果。
Hugging Face Daily Papers61
一篇论文针对医疗长文本答案的事实性验证，指出现有的基于检索的评测只报告 F1 等聚合指标，掩盖了失败发生的位置。作者基于 MedExpert 等开放式与封闭式数据集构建两套分类法，把失败拆为检索阶段五个质量维度与验证推理六个步骤，并用 LLM-as-Judge 自动归纳标签，在 4 种检索方法和 6 个前沿验证模型上做压力测试。结果显示，扩大模型规模、增加推理投入、接入权威网页来源以及医学微调均未能消除这些失败模式。
为什么值得看此前医疗幻觉检测普遍以 F1 等聚合分数衡量，难以定位检索或验证环节的具体错误。该工作把评测从单一分数转为可归因的失败分类，并跨多种检索方法与验证模型复现同一结论，说明这些失败不是旧系统的产物，而是当前先检索再验证范式的结构性限制。