AppWorld 与 WorkArena 任务验证器盲点审计
原文标题：Finding Blind Spots in AppWorld and WorkArena Task Verifiers
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。
论文用基于源码的变异测试审计 AppWorld 与 WorkArena 已发布的任务验证器。在 AppWorld 中，重复非幂等写入可产生额外记录却仍被接受（6/15 构造效果）；在 WorkArena 中，23 个额外字段候选全部通过验证，其中 21 个经独立读回确认为错误效果。研究还报告了零通过家族与拒绝普查结果，并附带构造语法与证据补充材料。
- 问题
- 执行式任务验证器可能误判智能体成功，缺少对已发布检查器的系统性审计。
- 方法
- 用基于源码的变异测试审计AppWorld与WorkArena验证器，构造非幂等写入与额外字段等错误效果。
- 结果
- AppWorld中6/15构造效果被接受；WorkArena中23个额外字段候选全部通过，其中21个经读回确认为错误效果
- 影响
- 智能体基准分数可能被验证器盲点虚高，选型与评测时需按单项证据而非聚合分数判断。
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。