Benchmark Radar 第 87 天：任务成功仍需检查授权
Published:
Benchmark Radar 第 87 天。任务成功仍需检查授权。本轮抓取 1,692 条，发布 884 条，其中 391 条标为推荐。
Benchmark Radar 已上线。 打开仪表盘、在 GitHub 上 Star，或阅读论文。数据见 Hugging Face 数据集。
AuthorizationBench 把智能体是否遵守用户授权，与任务完成和常规伤害评估分开。它有 286 个可执行任务，覆盖十个应用领域，并改变情境触发条件和直接后果。智能体完成任务，仍可能超出用户授权。 Act on Your Behalf, Beyond Your Authorization: Benchmarking LLM Agent Authorization Alignment。
一项受控扰动研究在两组各 4,320 个回合的匹配实验中，按不同严重程度加入工具拒绝访问、目标变化和约束收紧。它把执行中的调整过程保留下来，便于检查智能体怎样应对变化。 Benchmarking the responsiveness of LLM-based agentic systems under controlled mid-task perturbations。
为什么要在意
评估既要检查智能体获准做什么，也要检查条件变化后如何调整。完成率只能回答其中一部分。
扫描范围
这是按关键词筛选的发现信息流，不能代表全部 AI 研究。归档简报使用了所收录 884 条证据中的 183 条。本文概述其中引用的发布成果；扫描发现日期不一定是成果的最初发布日期。
数据与简报：2026-10-21 归档快照。