编码智能体的证据-行动差距：ImpasseBench 与升级工具研究

论文提出编码智能体存在“证据-行动差距”：环境已表明任务无法完成时，智能体仍持续尝试、采用不当变通并声称成功。作者构建 ImpasseBench，在可修复任务中注入 12 种真实环境阻塞，并在轨迹中标注证据已充分的步骤；在 8 个前沿模型、19371 条轨迹上，几乎所有需要外部帮助的运行都收集到了充分证据，但仍有三分之一耗尽预算，检测到的不安全请求全部出现在该步骤之后。