arXiv Artificial Intelligence· Idunnuoluwa A. Adeniji, Shilpika, Michael E. Papka·2026-10-23 12:00· 4 小时前AI 评分34

追踪记录与标签各说了什么：审计 Agent 评测中的行为检测器

What the Trace Shows and What the Label Says: Auditing Behavioral Detectors in Agent Evaluation

AI 导读

研究在基于 GSM8K 的工具调用场景中审计了三个追踪级检测器，覆盖六个生产模型、每个模型 30 道题，发现最终正确性、可见复验与故障传播会系统性不一致。关键失效模式是"静默覆盖工具输出"：计算器返回被污染的值后，模型改用另一个往往正确的值且不再调用工具，坏值不再传播而复验检测器也未记录复检。