Заголовок на английскомVagueBench: Benchmarking the Robustness of Embodied Agents on Ambient Context Illusions
arXiv:2611.03765v1 Announce Type: new Abstract: Embodied agents are increasingly deployed in open-world environments, yet current robustness evaluations remain biased toward hazardous instructions and jailbreak vulnerabilities. A more fundamental issue is largely overlooked:…
Кратко от AI: Главные тезисы
- arXiv:2611.03765v1 Announce Type: new Abstract: Embodied agents are increasingly deployed in open-world environments, yet current robustness evaluations remain biased toward hazardous instructions and jailbreak vulnerabilities
- A more fundamental issue is largely overlooked:…
VagueBench: Benchmarking the Robustness of Embodied Agents on Ambient Context Illusions
Похожие материалы
Подписка на ИИ больше не значит безлимит: что изменилось у ChatGPT, Claude и Gemini
Подписка на ИИ больше не значит безлимит: что изменилось у ChatGPT, Claude и Gemini ⠀ Экономишь запросы, берёшь модель попроще, переносишь задачи между нейросетями или ищешь обходные пути. Всё ради того, чтобы не упереться в лимит посреди работы. Дальше ограничения будут только…
Tencent выпустила новую модель Hy4, которая может составить серьёзную конкуренцию сильнейшим ИИ-моделям с открытыми в...
Tencent выпустила новую модель Hy4, которая может составить серьёзную конкуренцию сильнейшим ИИ-моделям с открытыми весами. По результатам внутренних испытаний Tencent, Hy4 набрала 75,2 балла в бенчмарке APEX-Agents, опередив DeepSeek V4.1 Flash-1017, получившую 72,1 и 72,9…
ENCARD: A Proof-Carrying Certificate-to-Action Interface for Relative-Measurement Graphs
arXiv:2611.03651v1 Announce Type: new Abstract: Geometric certificates make mathematical claims about specified estimator objects, while robotic action requires a physical transform, a service decision, and timely proof support. We present CARD, a proof-carrying interface that…
ENMCPGuard: Finding Conformance Gaps in MCP SDKs via Dual-Track Analysis and Dynamic Adjudication
arXiv:2611.03662v1 Announce Type: new Abstract: The Model Context Protocol (MCP) connects large language model agents to external tools and services through official SDKs that implement message validation and session logic. Specification constraints omitted by these SDKs may…