arXiv AI70
一篇 arXiv 论文提出面向企业 AI Agent 技能的持续评估框架，将结果级检查与过程级检查结合，独立计算每次运行的 ground truth，并生成可复用模板测试，对工具选择、参数、执行顺序和数据库完整性进行检查。论文在 Revenue 与 Productivity 两个技能上评测 240 次试验。在通过全部适用最终数值检查的 175 次试验中，162 次（92.6%）仍存在其他偏差。
为什么值得看此前企业多依赖最终输出数值判断 Agent 是否正确，该论文显示这种方式会遗漏大量过程偏差：即便最终数值全部通过，仍有约九成运行存在工具选择、参数或执行顺序等问题。这说明评估对象需要从单一结果扩展到轨迹，否则隐患难以暴露。
arXiv AI69
该论文介绍 AGO AI Quality Gate，一个面向企业 RAG 系统发布的证据优先质量门框架，包含四态决策模型、分层评分、分层 beta-binomial 门槛与强制元评估协议。团队在 RAGBench 的 10 万条标注轨迹上评估评审层：低成本 gpt-4.1-nano 的 AUROC 仅 0.603，gpt-4o 达 0.783；回归场景下该方案将不安全上线率从 29.3%-41.8% 降至 22.2%-35.1%。
为什么值得看此前企业上线 RAG 版本多依赖 LLM 评审分数直接拍板，却缺少对评审器本身质量的验证。该工作把缺失数据与评审错误显式建模为决策结果，并要求先对 LLM 评审器做元评估，这使发布决策从单点评分转向可量化风险的概率判断。
arXiv AI65
研究者提出 CineMR，一个可调用心脏图像分析工具并将结果融入推理过程的视觉语言模型，用于定量心脏 MRI 评估。团队同时构建多队列视觉问答基准，覆盖定量指标提取、多分类诊断与鉴别诊断，并提供分割、时相选择、容积测量、形态测量和局部室壁运动分析工具。CineMR 经 SFT 与 GRPO 训练后，在该基准上达到 35.9% pass@1 和 58.9% pass@4，而骨干 Qwen3-VL-8B 仅 1.5% pass@1。
为什么值得看此前医学视觉语言模型难以从多维 cine 图像中直接得出定量测量结果，多停留在定性描述。该工作把外部分析工具接入推理链路，并给出多队列基准和量化对比，使医学 VLM 从“看图说话”向可核验的数值评估推进，并显示工具调用能力可被训练显著提升。
arXiv AI64
论文提出 Independent-Communicate-Revise（ICR）框架，把多智能体通信评估为独立推理后的答案修订。ICR 固定初始推理轨迹，按两个智能体初始正确性分别测量纠正与保留，并用无消息修订作为对照。在四个推理基准上审计文本与隐式通信发现，相近的总体准确率可能掩盖差异较大的修订行为。
为什么值得看过去评估多智能体通信多依赖最终准确率，容易把有效通信、智能体架构优势与额外推理混为一谈。该工作把通信效果拆成纠正与保留两类行为，并用无消息对照量化额外推理的贡献，使评估从单一结果转向可分解的过程指标。
arXiv AI63
研究者提出 VeriSpec，一种直接审计模型规范文本本身以检测内部不一致的方法。它保留自然语言规范，用 LLM 作为验证器，提取结构化规则并构建主题引导图，聚类同权限层级的行为相关规则，再判断规则间是否存在无法同时满足的冲突。在 OpenAI Model Spec 上提取 405 条规则，人工确认 5 处不一致并已上报，开发者回应积极并启动内部讨论。相比五个基线，其精确率最高（38.5%），每条已验证不一致的成本最低（11.12 美元）。
为什么值得看以往对齐评估多依赖行为测试，难以区分是规范本身有缺陷还是模型行为偏差，而形式化自然语言规范又会丢失细节。VeriSpec 把审计对象从模型行为转向规范文本，提供了与行为对齐评估互补的缺陷发现路径，并已在真实规范上被人工确认和开发者采纳。