今日推送

论文解读论文提出FM-Bench基准，通过模拟足球俱乐部管理20年游戏时间，测量LLM agent在长周期环境中的决策能力。研究聚焦于动作累积后果和环境响应下的持续决策，而非单步任务执行。基准包含26个工具和340-400个决策点，为评估agent长期规划能力提供了标准化测试环境，填补了长程agent评估的空白。

论文解读该论文聚焦于长期agent的技能选择问题。研究发现现有outcome-rewarded RL方法无法有效训练技能选择策略，因此提出SkillGate框架，在策略层面训练agent何时读取何种技能。通过将技能选择决策融入agent策略，解决了大规模技能库下的策略性调用难题。实验表明该方法显著提升了长程任务的完成效率。

论文解读论文关注LLM agent可观测性问题，提出LEDGER框架构建声明到证据的追溯图。方法将agent的长程技术工作流中的复杂工具调用、代码执行和文件编辑等事件进行结构化追踪。主要创新在于将可验证性与agent执行解耦，实现输出正确性和可信度的后验审计，为agent系统的透明度提供新范式。

论文解读论文针对LLM agent在网络威胁情报场景中的应用，改进语料库设计。当前威胁报告和漏洞数据库仍为RAG场景设计，未考虑agent多步调查需求。CTIFoundry作为agent原生语料框架，旨在支撑查询时的多步骤威胁情报调查。属于应用层面探索，非核心agent能力研究。

论文解读论文挑战传统benchmark聚焦自动化任务的范式，提出评估模型辅助能力的新框架。研究关注点从模型独立性能转向提升其他agent或人类工作效率的能力。通过统一评估框架，测量模型在协作场景中的增值作用，属于LLM能力评估研究，非agent核心主题。

论文解读论文通过实证分析探讨AI后训练的现状与不足。研究区分了LLM agent的两类能力：执行级能力（在选定策略内迭代）和策略级能力（修订高层判断）。提出AI-for-AI愿景中存在的概念混淆问题。属于AI训练方法论研究，虽涉及agent但非核心主题。