DialFork 发布对话智能体流程幻觉评测基准
研究团队提出 DialFork 基准，用于在原始对话文本上评测对话智能体的流程幻觉，即单句流畅可信但偏离既定对话流程的失败模式。该基准通过在受控轮次位置分叉合规对话并注入四类幻觉构建，覆盖 12 个领域 24 项任务共 36,278 段对话，由 30 名人工标注者验证。
#Agent
arXiv · cs.AI模型评分5252 arXiv · cs.AI模型评分3737 TradeWar：面向可执行结算的多国贸易谈判 大语言模型（LLM，Large Language Model） 智能体基准
研究者提出 TradeWar 基准，把大语言模型（LLM，Large Language Model）智能体的多轮贸易谈判对话转成具体关税与贸易份额政策，在结算中施加产能与网络约束，并用经济健康指数（EHI，Economic Health Index）评估执行结果。
arXiv · cs.AI模型评分4848 BABA-Bench：评估长程患者权益代理的基准
研究团队构建了 BABA-Bench，包含 47 个由真实患者权益案例脱敏改造的交互环境，用于检验 人工智能（AI，Artificial Intelligence） 智能体（Agent）能否在达成正确结果的同时遵守必要流程。
arXiv · cs.AI模型评分5151 P-ContextBench 发布：从个人事实回忆到个性化智能体行为
研究团队发布 P-ContextBench，一个用于评估大语言模型理解个人上下文能力的基准，包含 100 个数字人、10,088 条隐藏事实、18,261 条应用记录片段和 4,810 个已验证测试用例。
arXiv · cs.AI模型评分4444 ProClaim：递归构建证据状态能否帮 人工智能（AI，Artificial Intelligence） 智能体验证科学共识主张？
研究团队构建了 ProClaim 系统与 ProClaim-eval 数据集，用于检验 人工智能（AI，Artificial Intelligence） 智能体递归构建证据状态、以及判断何时停止的设计选择对科学共识主张验证的影响。
Berkeley AI Research模型评分5959 Berkeley 观点：智能体时代的数据系统该为谁设计、由谁运行、由谁生成
加州大学伯克利分校 EECS 副教授 Aditya G. Parameswaran 等人发文提出，随着推理成本快速下降，数据系统面临三类新问题：为智能体设计的数据系统、支撑智能体集群运行的数据系统，以及由智能体自行生成的数据系统。