4092 篇论文
本文详细阐述了一项三阶段调查，该调查揭示了大型语言模型（LLM）拒绝检测中表现出的非确定性，很大程度上是由可修正的检测器伪影所导致的，这些伪影虽然在不同模型间具有泛化性，但会引入特定的误报模式，从而需要进行人工审计并透明地报告数据缺口，以确保安全评估的准确性。
本文介绍了 SafeAgent-300，这是一个用于智能体 AI 安全性的平衡的 300 个提示词基准测试，它通过评估六个模型，揭示了模型保守性方面的显著差异，发现了 Google Gemini 模型中一种自发的工具调用行为，并识别出了导致提示词复杂程度与违规检测率之间关系发生偏差的关键检测器覆盖缺陷。
本文通过一项受控的七框架评估表明，尽管攻击类型和模型选择会显著影响使用工具的 LLM 智能体的安全性，但编排框架的选择通常对安全态势没有实质性影响，唯独 CrewAI 除外，即使在针对特定适配器缺陷进行修正后，它仍表现出微小但具有统计学意义的残留故障率上升。
本研究综合了26篇基于人工智能的阿尔茨海默病检测论文的证据，揭示了尽管报告的单项研究准确率很高，但该领域极度缺乏外部验证、多模态整合及语言多样性，因此必须转向构建稳健、可复现且具有临床可迁移性的模型设计。
本文提出了一种针对部分执行的语言模型智能体工作流的运行时延续机制，该机制通过重建可信前沿、从规范契约中推导剩余义务，并仅通过由有效、新鲜且唯一匹配的证据所支持的授权效应来推进状态，从而确保从故障中安全恢复。
本文引入了结构保持得分（SPS）来评估用于 YOLO 式行人检测的去噪器有效性，并揭示了虽然特定的变体（如梯度幅度相关性）可以在已知噪声水平下对去噪器进行排序，但由于非线性及依赖于架构的因素，没有任何单一的图像级指标能够普遍预测在未见过的去噪器或噪声条件下检测性能的表现。
本研究对五种神经架构（WordCNN、WordLSTM、BERT、DistilBERT 和 ELECTRA）在业务流程自动化中的地址提取能力进行了对比评估，结果表明 ELECTRA 实现了最高的准确率和效率，而较轻量级的模型则为延迟敏感型应用提供了可行的替代方案。
Coligo 是一个部署在 WhatsApp 上的检索增强生成（RAG）助手，它通过利用 Google Gemini 以及对院校文档进行向量搜索，为泰米尔纳德邦工程学院录取（TNEA）咨询提供准确、具备上下文感知能力且针对特定类别的录取指导，从而减轻行政负担，同时明确区分了其功能性原型与预期的全规模架构。
本文提出了一种全面的多轮试验评估框架，用于评估自主软件工程智能体的连贯性、可靠性和轨迹病理特征，并通过一项试点研究证明了其操作可行性，该研究揭示了显著的基础设施审查率，并为超越单次试验成功指标奠定了基础。
尽管大型语言模型在心理理论评估中经常获得高分，但本研究表明，它们依赖的是成本效益高的启发式策略而非真正的心理状态追踪，这表明它们缺乏稳健的心理理论能力。