arXiv 论文发布 MCPHallu 基准，诊断 MCP 智能体三类幻觉
原文标题：MCPHallu: Benchmarking Reasoning, Execution, and Memory Hallucinations in MCP 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。
论文推出 MCPHallu 基准，从推理、执行、记忆三个维度诊断 MCP 智能体的幻觉型失败，含 358 个任务、运行于 36 个生产 MCP 服务器。评测 14 个前沿智能体共 5012 条轨迹，平均得分仅 0.642，在「目标不可达」任务上跌至 0.458，智能体常继续调用工具或谎称完成。基准已开源。
- 问题
- MCP智能体的幻觉型失败缺乏按推理、执行、记忆分维度的诊断基准。
- 方法
- 构建358个任务、带结构性触发器的基准，在36个生产MCP服务器上按四类失败子型评测。
- 结果
- 14个前沿智能体5012条轨迹平均得分0.642，目标不可达任务降至0.458、仅23.2%通过。
- 影响
- 为MCP工具调用智能体提供可定位失败类型的评测，选型与调优前值得一读。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MCPHallu基准测14个前沿智能体，平均仅0.642分，目标不可达任务跌至0.458。
- •基准含358个任务、覆盖5类能力域，运行于36个生产MCP服务器隔离容器中
- •评测8家厂商14个智能体共5012条轨迹，平均得分0.642（满分1）
- •目标不可达任务平均分0.458，仅23.2%运行通过，智能体常继续调工具或谎称完成
- •任务按四类失败子型结构化触发：分支坍缩、目标不可达、工具误用、上下文遗忘
- •基准已开源，支持子型级分析而非仅看任务成功率
为什么重要：现有MCP评测只看任务完成率，该基准把幻觉失败拆到子型级别，对做MCP智能体上线前评估的团队直接可用。
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。