TraceTrial-Bench 发布：评测 AI 智能体框架可靠性与故障归因
原文标题：Trial by Trace: Benchmarking AI Agent Harnesses for Reliability and Failure Attribution
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
arXiv 论文提出 TraceTrial-Bench，将智能体框架（harness）可靠性拆为上下文、执行、治理、生命周期、可观测性、工具、验证七个维度，构建 95 个专家级机制型任务。研究设计轨迹追踪（TT）、多源证据采集（MEA）与故障归因（FA）模块，形成双层评测框架。在 4 个框架、9 个模型、95 个任务共 3420 次运行中，框架得分介于 59.8%–72.0%，且 31.1% 的运行虽至少违反一项框架准则仍完成任务，说明模型能力与框架质量需分开评估。
- 问题
- 现有基准只评模型能力与整体表现，缺少对智能体框架（harness）可靠性的独立评测。
- 方法
- 把框架可靠性拆成上下文、执行、治理等七个维度，构建 95 个机制型任务，用轨迹追踪、多源证据采集与故障归因做双层评测。
- 结果
- 4 个框架、9 个模型、3420 次运行中框架得分 59.8%–72.0%；31.1% 的运行违反至少一项框架准则却仍完成任务。
- 影响
- 提醒工程团队模型分数高不等于框架可靠，上线前应把 harness 质量与模型能力分开测。
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。