DMAIC-Bench 发布：评估智能体在多阶段分析中的自我约束能力
原文标题：DMAIC-Bench: From Self-Reflection to Self-Restraint for Agents in Multi-Stage Analytical Tasks
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。
研究者提出 DMAIC-Bench，用 97 个任务、15 个工业案例评估 LLM 智能体能否依据中间证据决定继续、转向或停止，即「自我约束」能力。测试 13 个模型显示，匹配 GO 决策的路由准确率平均 92%，而 NO-GO 决策仅 19%，专家评审估计 47% 的 NO-GO 决策仍基于无效证据行动。
- 问题
- 现有智能体基准只测完成度与质量，不测依据中间证据继续、转向或停止的能力。
- 方法
- 基于 Lean Six Sigma 统计前置条件构造配对反事实任务，同一位置要求相反动作。
- 结果
- 97 任务、15 个工业案例、13 个模型；GO 路由准确率 92%，NO-GO 仅 19%，专家估计 47% 的 NO-GO 决策仍基于无效证据行动。
- 影响
- 智能体在分析流水线中的「该停就停」能力远弱于「该继续就继续」，需专门加停止与证据校验。
深读 · 结论先行AI 生成展开看要点与影响 ↓
DMAIC-Bench 测 13 个模型：该停时仅 19% 停对，该继续时 92% 走对
- •基准含 97 个任务、15 个工业案例，覆盖四个行业，按 Lean Six Sigma 统计前提设计
- •13 个模型来自 6 家提供商，匹配 GO 决策的路由准确率平均 92%，NO-GO 决策仅 19%
- •执行轨迹显示：智能体先报出正确诊断，随后仍执行该诊断本应禁止的分析
- •专家盲审 11 个智能体，估计 47% 的 NO-GO 决策仍基于无效证据行动，区间 31%~61%
- •明确给予停止许可对部分模型有帮助，但未能在 GO 与 NO-GO 两类分叉上同时恢复正确决策
为什么重要：现有智能体基准多测任务完成度与输出质量，不测「证据是否改变下一步行动」；该结果显示智能体的自我批评不等于自我约束，对依赖多阶段分析自动化的团队是直接风险信号。
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。