ArrivalBench：智能体数据管道一次正确、时序下出错
原文标题：ArrivalBench: Agent-Generated Data Pipelines Are Correct Once and Wrong Under Time
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。
现有智能体数据管道评测只对固定快照运行一次，ArrivalBench改为在迟到、重复、乱序、重试等可重放投递计划下重新执行管道，并要求最终状态等于完整日志的批重算结果。在40个任务上，单次执行评测认证了11个模型产出管道的86%-100%，但重放发现其中7.0%-79.2%存在静默错误。研究还发现幂等性风险比顺序风险更常失败，且危险警告会压低静默失败率却抬高崩溃率。
- 问题
- 智能体数据管道评测只跑一次固定快照，掩盖时序错误。
- 方法
- 在迟到、重复、乱序、重试等可重放投递计划下重执行管道，要求最终状态等于批重算。
- 结果
- 40个任务中单次评测认证86%-100%管道，重放发现7.0%-79.2%静默错误。
- 影响
- 暴露智能体生成数据管道的幂等性隐患，评测需引入重放而非单次快照。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ArrivalBench重放发现：单次评测认证的管道中7.0%-79.2%存在静默错误。
- •现有评测只对固定快照跑一次，ArrivalBench改为在迟到、重复、乱序、重试等可重放投递计划下重新执行
- •在40个任务上，单次执行评测认证了11个模型产出管道的86%-100%
- •重放同一产物发现其中7.0%-79.2%静默错误，即结果错但不崩溃
- •修复循环不是差距来源：针对快照测试修复过的管道，重放失败率与首次通过者相当
- •所有模型中幂等性风险比顺序风险更常失败；危险警告把某模型静默失败从48.2%降到10.5%，但崩溃率从9.0%升到37.0%
为什么重要：对用智能体生成数据管道的团队，单次测试通过不等于生产可靠，静默错误无法被现有监控发现。
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。