HSPR：参考文献

HSPR：参考文献

本文是《HSPR：用分层后验恢复软件智能体的基准分数》的参考文献，对应 arXiv:2610.24611。因单篇正文约 64KB 的上限，参考文献单独成篇；公式、实验与附录 A 到 H 在主记录中。

参考文献

[Ayyad et al. (2026)] Mahmoud Ayyad、Zehao Wang、Jiho Shin、Ying Zou 与 Bram Adams。2026。面向低成本软件工程智能体回归测试的、轨迹感知的基准子集选择。arXiv preprint arXiv:2609.24928。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Chen et al. (2026)] Wanyi Chen、Xiao Yang、Xu Yang、Tianming Sha、Qizheng Li、Zhuo Wang、Bowen Xian、Fang Kong、Weiqing Liu 与 Jiang Bian。2026。Agent2 RL-Bench：大语言模型智能体能完成智能体强化学习的后训练工程吗？arXiv preprint arXiv:2604.10547。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Deng et al. (2026)] Xiang Deng、Jeff Da、Edwin Pan、Yannis Yiming He、Charles Ide、Kanak Garg、Niklas Lauffer、Andrew Park、Chetan Rane、Karmini Sampath、Maya Krishnan、Srivatsa R Kundurthy、Sean M. Hendryx、Zifan Wang、Chen Bo Calvin Zhang、Noah Jacobson、Bing Liu 与 Brad Kenstler。2026。SWE-bench Pro：人工智能智能体能解决长程软件工程任务吗？载于《第 43 届国际机器学习会议论文集》，第 23917–23934 页。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Duan et al. (2026)] Kefeng Duan、Dewu Zheng、Yanlin Wang、Xiwen Wang、Ensheng Shi、Xilin Liu、Yuchi Ma、Jiachi Chen、Mingwei Liu 与 Zibin Zheng。2026。通过轨迹感知评测实现高效的 SWE 智能体基准测试。arXiv preprint arXiv:2609.01603。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Ge et al. (2026)] Chris Ge、Daria Kryvosheieva、Daniel Fried、Uzay Girit 与 Kaivalya Hariharan。2026。智能体心理测量学：智能体编码基准中的任务级表现预测。载于语言建模会议（Conference on Language Modeling，COLM）论文集。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Gusev and Zaytsev (2026)] Rostislav Gusev 与 Alexey Zaytsev。2026。在真正要紧的任务上做基准测试：为保住模型排名而做的数据集选择。载于《第 32 届 ACM SIGKDD 知识发现与数据挖掘会议论文集》第 2 卷，第 8954–8965 页。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Hendrycks et al. (2021)] Dan Hendrycks、Collin Burns、Steven Basart、Andy Zou、Mantas Mazeika、Dawn Song 与 Jacob Steinhardt。2021。测量大规模多任务语言理解。载于国际学习表征会议（International Conference on Learning Representations）。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Jimenez et al. (2024)] Carlos E. Jimenez、John Yang、Alexander Wettig、Shunyu Yao、Kexin Pei、Ofir Press 与 Karthik Narasimhan。2024。SWE-bench：语言模型能解决真实世界的 GitHub 问题吗？载于国际学习表征会议（International Conference on Learning Representations）。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Kiela et al. (2021)] Douwe Kiela、Max Bartolo、Yixin Nie、Divyansh Kaushik、Atticus Geiger、Zhengxuan Wu 等。2021。Dynabench：重新思考自然语言处理中的基准测试。载于《2021 年北美计算语言学协会会议：人类语言技术》。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Kossen et al. (2022)] Jannik Kossen、Sebastian Farquhar、Yarin Gal 与 Thomas Rainforth。2022。主动代理估计器：一种以主动学习做标签高效模型评测的方法。载于《神经信息处理系统进展》第 35 卷。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Kossen et al. (2021)] Jannik Kossen、Sebastian Farquhar、Yarin Gal 与 Tom Rainforth。2021。主动测试：样本高效的模型评测。载于《第 38 届国际机器学习会议论文集》，第 5753–5763 页。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Lalor et al. (2016)] John P. Lalor、Hao Wu 与 Hong Yu。2016。用项目反应理论构建评测量表。载于《2016 年自然语言处理经验方法会议论文集》，第 648–657 页。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Li et al. (2026)] Peiyu Li、Xiuxiu Tang、Si Chen、Ying Cheng、Ronald Metoyer、Ting Hua 与 Nitesh V. Chawla。2026。面向大语言模型评测的自适应测试：静态基准的心理测量学替代。载于《第 43 届国际机器学习会议论文集》，第 70246–70269 页。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Liang et al. (2023)] Percy Liang、Rishi Bommasani、Tony Lee、Dimitris Tsipras、Dilara Soylu、Michihiro Yasunaga、Yian Zhang、Deepak Narayanan 等。2023。语言模型的整体评测。Transactions on Machine Learning Research。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Liu et al. (2024)] Xiao Liu、Hao Yu、Hanchen Zhang、Yifan Xu、Xuanyu Lei、Hanyu Lai 等。2024。AgentBench：把大语言模型当作智能体来评测。载于国际学习表征会议（International Conference on Learning Representations）。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Liu et al. (2025)] Zirui Liu、Jiatong Li、Yan Zhuang、Qi Liu、Shuanghong Shen、Jie Ouyang、Mingyue Cheng 与 Shijin Wang。2025。am-ELO：基于竞技场的大语言模型评测的稳定框架。载于《第 42 届国际机器学习会议论文集》，第 38857–38868 页。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Ma et al. (2024)] Chang Ma、Junlei Zhang、Zhihao Zhu、Cheng Yang、Yujiu Yang、Yaohui Jin、Zhenzhong Lan、Lingpeng Kong 与 Junxian He。2024。AgentBoard：多轮大语言模型智能体的分析性评测面板。载于《神经信息处理系统进展》第 37 卷，第 74325–74362 页。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Maia Polo et al. (2024)] Felipe Maia Polo、Lucas Weber、Leshem Choshen、Yuekai Sun、Gongjun Xu 与 Mikhail Yurochkin。2024。tinyBenchmarks：用更少样例评测大语言模型。载于《第 41 届国际机器学习会议论文集》，第 34303–34326 页。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Ndzomga (2026)] Franck Ndzomga。2026。人工智能智能体的高效基准测试。arXiv preprint arXiv:2603.23749。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Saranathan et al. (2025)] Gayathri Saranathan、Cong Xu、Mahammad Parwez Alam、Tarun Kumar、Martin Foltin、Soon Yee Wong 与 Suparna Bhattacharya。2025。SubLIME：通过秩相关预测做子集选择，以实现数据高效的大语言模型评测。载于《第 63 届计算语言学协会年会论文集（第 1 卷：长文）》，第 30572–30593 页。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Shi et al. (2026)] Yuling Shi、Zhensu Sun、Junsen Dong、Chengcheng Wan、David Lo 与 Xiaodong Gu。2026。EarlyEval：通过早期结局预测降低智能体评测成本。arXiv preprint arXiv:2609.02783。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Srivastava et al. (2023)] Aarohi Srivastava、Abhinav Rastogi、Abhishek Rao、Abu Awal Md Shoeb、Abubakar Abid、Adam Fisch、Adam R. Brown 等。2023。超越模仿游戏：量化并外推语言模型的能力。Transactions on Machine Learning Research。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Truong et al. (2025)] Sang T. Truong、Yuheng Tu、Percy Liang、Bo Li 与 Sanmi Koyejo。2025。可靠且高效的摊销式基于模型的评测。载于《第 42 届国际机器学习会议论文集》，第 60238–60265 页。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[van der Linden (2008)] Wim J. van der Linden。2008。在自适应测试中用反应时间做题目选择。Journal of Educational and Behavioral Statistics，33(1):5–20。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Wu et al. (2026)] Skyler Wu、Yash Nair 与 Emmanuel J. Candès。2026。带统计保证的大语言模型表现高效评测。arXiv preprint arXiv:2601.20251。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Zhang et al. (2025)] Guanhua Zhang、Florian E. Dorner 与 Moritz Hardt。2025。用更少数据做基准预测为何会偏离目标。载于《神经信息处理系统进展》。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。

[Zhang et al. (2026)] Taolin Zhang、Hang Guo、Wang Lu、Tao Dai、Shu-Tao Xia 与 Jindong Wang。2026。SparseEval：用稀疏优化高效评测大语言模型。载于国际学习表征会议（International Conference on Learning Representations）。

译注：本条作者姓名、会议简称、arXiv 编号和网址按原文保留，不音译；题名、出处和页码已译成中文，作者顺序与原文一致。