行业与实践 · 标签「能力孪生」

研究与基准测试/2026-10-26/12 分钟

能力孪生过了仍可能伤害：阿里 V3AST-Bench 用可执行后果给编码智能体打安全分

阿里与南洋理工大学的 V3AST-Bench 用可执行后果而不是回复文本给编码智能体打安全分。212 个风险任务各配能力孪生，只有四次都做得到的题才进入 ASR@4。同能力的系统伤害率仍可相差几十个百分点。