AgentEval：有状态智能体的证据边界评估系统
原文标题：AgentEval: Evidence-Bounded Assessment of Stateful Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 AgentEval，将契约约束的评估记录贯穿工具执行、状态与事件捕获、报告资格认定与案例维护，区分智能体做了什么、证据证明了什么以及结论是否仍被支持。在 32 次工具世界执行中独立检查对全部 30 个完整回合达成一致，并暴露仅哈希校验漏掉的 36 个绑定故障。
- 问题
- 任务完成不等于有状态智能体履行了义务，已记录的判断也不保证证据仍有效。
- 方法
- 用契约绑定的评估记录贯穿工具执行、状态事件捕获、报告资格与案例维护，区分做了什么、证据证明什么、结论是否仍被支持。
- 结果
- 32 次工具世界执行中独立检查对全部 30 个完整回合达成一致；48 个证据视图干预暴露仅哈希校验漏掉的 36 个绑定故障。
- 影响
- 给智能体评测提供可审计的证据链，让合规与回归场景能查出「结论已失效」这类隐性故障。
深读 · 结论先行AI 生成展开看要点与影响 ↓
AgentEval 用契约绑定评估记录追踪证据有效性，暴露仅哈希校验漏掉的 36 个绑定故障。
- •在 32 次工具世界执行中，独立检查对全部 30 个完整回合达成一致，区分满足、违反与未决义务。
- •对 48 个证据视图做受控干预，暴露 36 个仅哈希校验漏掉的绑定故障，且不改变智能体行为。
- •Scenario Studio 将已审案例连接为 12 份两轮报告，含 24 个独立核验答案。
- •192 次留出执行的公开基准研究中，发现 10 个在整体任务失败内完成的返回子目标。
为什么重要：智能体评估长期只看任务是否完成，AgentEval 把「证据是否仍支持结论」变成可检查项，对做智能体评测与合规审计的团队有直接参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。