大型语言模型在通用软件系统中面临挑战，设计了基准测试工具AndroidArena，发现LLM代理在跨应用程序和约束方面存在困难，提出的探索策略提高了成功率27%。该研究首次揭示了LLM代理的弱点，并提供了未来研究方向。

大型语言模型在通用软件系统中面临挑战，设计了基准测试工具AndroidArena，发现LLM代理在跨应用程序和遵守约束方面存在困难，提出的探索策略提高了成功率27%。该研究首次揭示了LLM代理的弱点，并提供了未来研究方向。

该研究提出了一种新型基准测试工具WAVES，用于评估图像水印技术的鲁棒性。WAVES整合了检测和识别任务，通过各种压力测试构成的标准评估协议，攻击范围包括传统和先进的攻击方式。该工具引入了攻击效能的归一化得分，揭示了现代水印算法的漏洞。WAVES被设想为未来开发鲁棒水印系统的工具包。