標籤：每週精選

AgentHallu：LLM Agent 幻覺歸因自動化基準測試

傳統幻覺評測多把回答視為單一輸出，判斷它是否正確；但 Agent 是規劃、檢索、推理、呼叫工具再回覆的連續軌跡。中間某一

Reward Hacking Benchmark：工具型 LLM Agent 的獎勵駭客測試

工具型 LLM Agent 不只回答問題，還會搜尋、寫程式、讀取環境資訊並連續採取動作；這也讓它有機會不解決任務本身，卻

LLM Agent 藥物資產盡職調查競爭格局分析

藥物資產盡職調查的第一關，是針對特定適應症找出所有具競爭關係的藥物，並整理別名、作用機制、標的、研發階段、監管狀態與公司

MCP-Atlas：大規模 MCP 真實伺服器工具使用能力基準測試

Model Context Protocol（MCP）正在成為 LLM Agent 與外部工具溝通的標準介面——從資料庫

AgentClinic：多模態臨床工具代理基準測試

AgentClinic 是評估「會使用工具的臨床 AI agent」的多模態基準。它不把醫療能力簡化為單題問答，而是模擬

Agentic Memory：LLM Agent 長短期記憶統一管理框架

LLM 代理面臨一個根本性瓶頸：上下文視窗有限，而現實任務往往跨越長時程、需要跨步驟記憶。當前主流做法將長期記憶（LTM

臨床醫學人機協作：LLM 系統性回顧與統合分析

Wang 等人以 PRISMA 2020 流程進行系統性回顧與統合分析，比較「人類專業者加上大型語言模型」（H＋AI）與

LLM Agent 工具與代理選擇：生產環境全景調查

Lumer 等人（2026）的調查論文，聚焦於 LLM Agent 在**生產環境**裡如何挑選外部工具與協作代理。論文

α³-Bench：6G環境下LLM無人機代理安全性與穩健性基準

大型語言模型（LLM）正逐漸被採用為自主無人機（UAV）任務的高層控制器。然而現有評估框架存在一個根本性缺口：很少有研究

DeepPlanning：長程智能體規劃基準測試

DeepPlanning 是由 Yinger Zhang 等九位作者提出的智能體規劃基準測試，發表於 2026 年 1

LLM推理失敗：首個全面分類調查框架

大型語言模型（LLM）在推理能力上取得了令人矚目的進展，卻依然在看似簡單的場景中出現失敗。Peiyang Song、Pe

功能感知機器人抓取：MLLM推理驅動框架

**論文資訊**

PACT：Safety Token 約束保護 LLM 微調安全對齊