研究与基准测试/2026-10-16/18 分钟智能体评测何时不可靠:预言机把 65.5% 的成功记成了 94.3%审计 τ-bench 的奖励函数后,4,320 次回合里数据库通过从 4,194 次降到 2,883 次,成功率从 94.3% 降到 65.5%。八项检查检出 57 个可分离组合中的 54 个。语言配置会改变轨迹崩塌率,换到航空领域后符号相反。
研究与基准测试/2026-10-16/16 分钟智能体事故登记册:487 条公开失败里,评测漏掉了没有对手的那一类Anaconda 把 2022 至 2026 年的 487 条智能体相关披露收成 AIR。主要总体 336 条里 81 条已经造成损害(24%),但这描述的是披露构成,不是部署风险。InjecAgent 的 1,054 个案例全是攻击者触发,AIR 另有 92 条没有对手的安全失败。