Box^2-Bench：前沿模型难以及时无视不可靠的工作流指导

Box^2-Bench 通过固定模型与任务、只改变工作流可靠性，隔离测量模型调节对指导依赖的能力，发现前沿模型能从可靠工作流获益，但面对误导性或中途变糟的工作流依然脆弱。用坏工作流训练、好工作流评测的实验显示，反事实 SFT 可提升鲁棒性，基于结果的 RL 更倾向使用有帮助的工作流，且该行为可泛化到同行纠错与损坏记忆等外部信息场景。