Real PMIDs, Wrong Papers: Harness Design for Biomedical Claim-Verification AgentsReAct 自拟检索在生物医学验证达 62% 准确率
ReAct 自拟检索在生物医学验证达 62% 准确率
表明检索而非推理是主要瓶颈，引用存在性检查不足，对科研 Agent 的检索与引用验证设计有直接参考价值。
智能体 · Skill · MCP
资料 75 条 · 常规内容近 60–90 天，综述/报告保留一年最近同步 1 小时前
同一份资料，两种阅读方式
Post-Audit Mirage: Identifiability Limits of Offline Agent Verification提出Post-Audit Mirage基准，揭示离线智能体验证的可识别性局限
提出Post-Audit Mirage基准，揭示离线智能体验证的可识别性局限
警示离线审计可能漏检部署后安全问题，需结合监控与证据充分性判断，对智能体安全发布流程有直接意义。
SWE-Bench Pro V2: A Cleaner, Harder-to-Game Coding BenchmarkSWE-Bench Pro V2 修复或淘汰 731 个任务中的 480 个并加固评测协议
SWE-Bench Pro V2 修复或淘汰 731 个任务中的 480 个并加固评测协议
编码智能体基准的可信度直接决定选型结论，V2 用盲实现与干净容器重评分封堵刷榜，采用前需重跑基线
The One-Pixel of Reasoning: One Truthful Relation Is Enough to Mislead LLM Agents单句“关系攻击”即可诱导 LLM 智能体改判，开源模型成功率高达 80%
单句“关系攻击”即可诱导 LLM 智能体改判，开源模型成功率高达 80%
多智能体辩论反而抬高团队错误率，说明证据链校验不能只依赖来源支撑检查
