SafeActBench 评估工具型 Agent 失败模式

研究者 Hongzhan Lin 等人发布 SafeActBench，用 656 个案例、六个操作领域和五种协议追踪工具使用智能体从证据建立到行动执行的失败链条。 在十个模型-框架配置上的分析显示，静态行动评估表现强并不代表交互式执行可靠，失败常发生在执行之前，例如调查不完整或在证据建立前就行动；单行动执行在证据齐备后通常可靠，多行动工作流则暴露出未解决的前置条件和执行不完整问题。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。