SafeActBench：工具智能体行动失败分析
先了解这件事
2026年10月7日，arXiv cs.CL 刊出论文《从证据到行动：工具调用智能体为何失败》，指出工具调用智能体的失败常发生在执行之前：在十种 model-harness 配置中，强静态动作评估可以与弱得多的交互执行并存。研究为此提出 SafeActBench，含 656 个案例、6 个操作域和 5 种协议，并用 Evidence Ledger 追踪证据的确立与动作；结果显示获得证据后单动作执行通常可靠，多动作工作流则暴露出未解决的前置条件与不完整执行。同日稍后，AGI Hunt 报道称该基准由新加坡国立大学发布，并进一步说明失败多发生在执行前——Agent 会提前停止调查，或在证据未齐时贸然行动；SafeActBench 配套 Evidence Ledger 溯源绑定与确定性轨迹评估器，用于追踪证据建立与下游依赖。两篇报道在案例数、操作域与协议数上一致。
AI 根据报道生成 · 8 分钟前更新
报道时间线
沿着报道，了解事件的不同侧面。
- AGI Hunt新加坡国立大学发布 SafeActBench：656 例剖析工具型 Agent 从证据到行动的断点
新加坡国立大学发布 SafeActBench，用 656 个案例研究工具型 Agent「证据到行动」链条的断裂点。在 10 种模型-框架组合中，静态行动判断能力强并不代表交互式执行可靠，失败多发生在执行前：Agent 提前停止调查，或证据未齐就贸然行动。基准覆盖 6 个操作领域、5 种协议，配套 Evidence Ledger 溯源绑定与确定性轨迹评估器，追踪证据建立与下游依赖。
- arXiv cs.CL从证据到行动：工具调用智能体为何失败
工具调用智能体的失败常发生在执行之前：在十种 model-harness 配置中，强静态动作评估可与弱得多的交互执行并存。研究提出 SafeActBench，含 656 个案例、6 个操作域和 5 种协议，用 Evidence Ledger 追踪证据确立与动作。获得证据后单动作执行通常可靠，多动作工作流则暴露未解决的前置条件与不完整执行。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。