★ 3
FinalityBench：评估智能体在延迟结算下的决策
新基准FinalityBench模拟支付系统中消息延迟、重复、丢失导致的账目不一致，测试智能体是否做出不可逆操作。在321个任务中，基于权威终局探针的门控策略表现最佳，而语言模型虽能发现该策略但损失翻倍。该基准为金融领域智能体安全决策提供评测工具。
arXiv cs.AI56 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
新基准FinalityBench模拟支付系统中消息延迟、重复、丢失导致的账目不一致，测试智能体是否做出不可逆操作。在321个任务中，基于权威终局探针的门控策略表现最佳，而语言模型虽能发现该策略但损失翻倍。该基准为金融领域智能体安全决策提供评测工具。