Newest papers

Atlas: Making Sense of Long Horizon Agent Trajectories

Sangho Suh, Joseph Chee Chang, Pao Siangliulue, Amy Xian Zhang, Matt Latzke, Jonathan Bragg, Doug Downey, Daniel S. Weld · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.30548 · cited by 0 works (OpenAlex) · open-access PDF

Arabic

يمكن لمستخدمي الذكاء الاصطناعي الآن البحث عن المكتبات، إنشاء التقارير، تحليل مجموعات البيانات، وإجراء التجارب على نطاق صعب بالنسبة للباحثين لتلبية احتياجاتهم. ومع ذلك، لا تزداد التكلفة العلمية تلقائيا قدرة الباحثين على فهم ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما يصل إلى ما ي

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

Abstract

AI agents can now search literature, generate hypotheses, analyze datasets, and run experiments at a scale difficult for researchers to match. Yet scaling scientific execution does not automatically scale researchers' ability to make sense of what agents produce. When researchers return to a long-horizon run, they must evaluate work they did not monitor: what the agent produced, which decisions shaped those outputs, and whether those decisions served the research goal. We frame this post-run sensemaking as a representation problem across three linked levels: goal, decision, and artifact. From this framework we developed Atlas, an agentic workspace with a trajectory tree, which renders the run as a branching structure showing what the agent chose and set aside, and artifact projections over six representations. In a within-subjects study (N=14), participants reported higher decision transparency, artifact sensemaking, and goal connection with Atlas than with a standard baseline, together with substantially lower subjective workload.

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

Topics: Computer science, Artifact (error), Set (abstract data type), Sensemaking, Scale (ratio), Representation (politics)

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