UndoBench 基准：Agent 任务成功率 83.5%，故障恢复仅 46.7%

HF 论文提出 UndoBench 基准，测得 agent 名义任务成功率 83.54%，条件恢复成功率（CRSR）仅 46.72%。该基准覆盖 8 个企业领域的 36 个基础工作流与 36 个故障场景，朴素重试在 53.33% 的配对试验中产生重复外部副作用。恢复能力高度依赖故障阶段，商用 API 模型的扩展实验也复现了这种能力与恢复的分离。