审计Agent评测中的行为检测器

Idunnuoluwa A. Adeniji 等作者发表论文，在基于 GSM8K 的工具调用场景中审计了三个追踪级检测器，覆盖六个生产模型、每个模型 30 道题。 研究发现，最终正确性、可见复验与故障传播这三类标签会系统性互相矛盾，即追踪记录与标签不一致。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。