RegretBench 与 BackUpper：评测并补齐编码智能体备份意识
原文标题：Back Up Before You Regret: Measuring Backup Awareness and Automating Backup in Coding 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 RegretBench 基准，含 205 个源自用户「后悔未备份」场景的可执行任务。六个前沿模型平均完成 86.1% 任务，但仅 15.2% 会在关键修改前备份。作者提出 BackUpper 插件式备份层，检查每次工具调用并保存受影响状态，恢复相似度 92.2%，每任务成本仅 0.014 美元，token 消耗比主智能体自备份少 7 倍。
- 问题
- 编码智能体自主修改真实状态，却缺乏在关键改动前备份的意识。
- 方法
- 提出 RegretBench 基准评测备份意识，并用 BackUpper 插件层在每次工具调用前保存受影响状态。
- 结果
- 六个前沿模型任务完成率 86.1% 但仅 15.2% 会备份；BackUpper 恢复相似度 92.2%，每任务 0.014 美元，token 少 7 倍。
- 影响
- 以极低成本为编码智能体补上可回滚能力，直接降低生产环境误操作风险。
深读 · 结论先行AI 生成展开看要点与影响 ↓
六模型任务完成率86.1%，关键修改前备份仅15.2%，BackUpper插件以92.2%恢复相似度补齐。
- •RegretBench含205个可执行任务，素材来自X.com、GitHub、Stack Overflow上用户后悔未备份的真实场景。
- •六个前沿模型平均完成86.1%任务，但仅15.2%会在关键修改前备份，说明任务能力不等于备份意识。
- •BackUpper是harness插件层，检查每次工具调用并在修改前保存受影响状态，规则策略加轻量子代理处理复杂情况。
- •恢复状态与原状态平均相似度92.2%，每任务成本0.014美元，token消耗比主智能体自备份少7倍。
- •用户对备份范围有偏好时，BackUpper可收窄范围，与人工标注匹配。
为什么重要：编码智能体自主改动真实环境状态，备份意识缺失是实际风险；这条给出可量化基准和低成本插件方案，对做Agent harness与工具调用的团队直接可用。
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。