跳到正文
arXiv · AI· Hanjun Luo, Xiucheng Zhang, Zhuoning Xu, Zhimu Huang, Yingbin Jin, Xinfeng Li, Hanan Salam·· 2026-10-07AI 评分31

ParanoiaEval: 评估编码智能体中不必要的防御性工作

ParanoiaEval: Benchmarking Unnecessary Defensive Work in Agentic Coding

AI 导读

ParanoiaEval 是首个针对编码智能体风险处理能力的统一评测基准,基于软件工程风险管理框架,包含 200 个证据控制任务对。 针对 8 个代表性模型的大规模实验显示,尽管有明确证据,11.2% 至 58.7% 的运行仍发生不必要的风险处理,且处理违规显著损害开发者体验。

来源:arXiv · AI · arxiv.org