Newest papers

CAPSafe: A Benchmark for Contextual Action and Plan Safety Reasoning in Embodied Agents

Youmna Farag, Svetlana Stoyanchev, Simon Keizer, Mohan Li, Rama Doddipatla · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28381 · open-access PDF

Hindi

सुरक्षा के बारे में तर्क करना बड़े भाषा मॉडल (एलएलएम) द्वारा संचालित एजेंटों के लिए आवश्यक है। हम संदर्भ कार्रवाई और योजना सुरक्षा संदर्भ संदर्भ (सीएपीएसएफ़) का परिचय देते हैं, जो सुरक्षा तर्क को दो स्तरों पर मूल्यांकन करने के लिए डिज़ाइन किया गया है: (1) एक कार्रवाई स्तर डेटासेट जो अपने पर्यावरणीय संदर्भ के आधार पर एक एकल कार्रवाई को सुरक्षित बनाने का परीक्षण करता है, और (2) एक योजना स्तर डेटासेट जो मूल्यांकन करता है कि एजेंट जटिल खतरनाक घरेलू कार्यों के लिए सुरक्षित दीर्घकालिक योजनाएं उत्पन्न कर सकते हैं।

Machine translation (Meta M2M100); the English original follows.

Abstract

Reasoning about safety is essential for embodied agents powered by large language models (LLMs). We introduce the Contextual Action and Plan Safety benchmark (CAPSafe), designed to evaluate safety reasoning at two levels: (1) an action-level dataset that tests whether a single action is safe given its environmental context, and (2) a plan-level dataset that evaluates whether agents can generate safe long-horizon plans for complex hazardous household tasks. CAPSafe models safety conditions where hazards are situational (inferred from object properties), multiple hazards can co-occur within the

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange