Not translated yet — showing the Chinese originals.

Industry & Practice · Tagged “事故”

Research & Benchmarks2026-10-1618 min
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。
Research & Benchmarks2026-10-1616 min
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。