研究与基准测试/2026-10-13/16 分钟ParanoiaEval 续:附录 F 至 O本篇译出裁判提示、人工标注、人类研究、实验超参数、裁判验证、三次运行细表、显著性检验、两则案例和计算资源消耗。
研究与基准测试/2026-10-13/8 分钟ParanoiaEval 续:参考文献本篇是 ParanoiaEval 的参考文献全文,共 63 条。人名、链接和基准名保留原文,题名与出处译成中文,并注明每条文献在论证中的作用。
研究与基准测试/2026-10-13/18 分钟ParanoiaEval:基准评测智能体编码中不必要的防御性工作纽约大学与香港理工的 ParanoiaEval 用 200 对证据受控任务评测编码智能体的多余防御。八个模型里,不必要风险处置仍占含证据运行的 11.2% 到 58.7%。更强的任务成功率并不能换来更恰当的处置,开发者满意度因此下降 1.27 分。