BLADE：LLM多智能体失败归因审计框架

2026年10月14日，arXiv Artificial Intelligence 刊出由 Xiaoguang Guo、Yaohao Long、Chuxu Zhang 发布的论文，提出 BLADE（Blame Localization via Audited Dependency Evidence），一个免训练的失败归因框架。据该报道，BLADE 通过审计多智能体系统中决策对来源信息的使用方式，区分错误的引入、传播与修复，从而定位责任智能体与关键错误步骤。报道称，在 Who&When 与 Who&When Pro 五个子集的 1228 条失败运行上，在共享的 Jev 决策接口下、无参考答案时，BLADE 在八种策略中取得最佳或并列最佳的步骤准确率，较 All-at-once 高出 2.2 至 11.1 个百分点。目前该事件仅有这一篇主报道，尚无后续跟进报道，上述性能数据与适用条件均来自该来源。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。