arXiv· Idunnuoluwa A. Adeniji·· 9 天前推荐指数62
审计 Agent 评测中的行为检测器：轨迹证据与标签的分歧研究
What the Trace Shows and What the Label Says: Auditing Behavioral Detectors in Agent Evaluation
AI 导读
论文在基于 GSM8K 的工具调用场景中审计三个轨迹级检测器，覆盖六个生产模型、每个模型 30 道题，发现最终正确性、可见复验与故障传播的自动标签存在系统性分歧。
来源：arXiv · arxiv.org