arXiv 审计智能体评测中的行为检测器标签
原文标题：What the Trace Shows and What the Label Says: Auditing Behavioral Detectors in Agent Evaluation
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。
论文在基于 GSM8K 的工具调用场景中审计三类轨迹级检测器，发现最终正确性、可见复验与故障传播标签会系统性不一致。关键失效模式是「静默工具输出覆盖」：模型改用其他值却不重新调用工具，导致验证检测器记录不到复检。人工复核 90 条轨迹在验证标签上仅 67/81 一致，执行步数与 token 预算也会改变报告结果。
- 问题
- 智能体评测把执行轨迹压成标签，但这些标签可能系统性地误报轨迹真实行为。
- 方法
- 在 GSM8K 工具调用场景中故意污染计算器输出，审计三类轨迹级检测器，并做人工复核与预算消融。
- 结果
- 验证标签人工一致仅 67/81；步数与 token 预算变化使一个模型正确数在 21/30 到 27/30 间波动。
- 影响
- 用轨迹标签做智能体评测或训练信号前，需先验证检测器本身，否则指标不可信。
深读 · 结论先行AI 生成展开看要点与影响 ↓
审计6个模型发现：验证检测器人工一致率仅67/81，静默覆盖工具输出是主因
- •在GSM8K工具调用场景审计三类轨迹级检测器，覆盖6个生产模型、每模型30题
- •人工复核90条轨迹：最终正确性67/67、故障影响19/19、故障相关性18/18全一致，验证标签仅67/81
- •核心失效模式「静默工具输出覆盖」：计算器返回损坏值，模型改用其他值却不重新调用工具，验证检测器记录不到复检
- •14处分歧全部落入四种重复模式
- •执行预算会改变结论：两模型消融中一个随步数与token预算在21/30到27/30间波动，另一个稳定在27/30至29/30
为什么重要：智能体评测分数本身是解析器与检测器产出的测量值，验证类指标尤其不可靠；做agent benchmark或依赖此类标签选型的人需重新审视结论。
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。