研究者发布SafeActBench，揭示工具调用智能体执行短板

研究者提出 SafeActBench 基准，用于评估工具调用智能体从证据到行动的能力。该基准涵盖六大领域、五种协议共 656 个案例，并配套证据账本与轨迹评估器，追踪信息建立与依赖满足情况。 研究在十种模型-框架配置中发现：智能体静态动作判断能力较强，但交互式执行明显偏弱。失败常发生在执行前——智能体调查不完整或证据尚未建立就采取行动；单动作执行通常可靠，多动作工作流则暴露出未解决的前置条件和执行不完整问题。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。