arXiv · AI· Kaiming Liu, Yuxuan Liu, Jinrui Ju, Minyuan Ruan, Xuanyu Lei, Peng Li, Yang Liu·· 2026-10-14AI 评分33
指令作为证据:评估 GPT-5.6-Sol 等智能体的结果对齐能力
Instructions Are Evidence, Not Objectives: Measuring Outcome Alignment of Agents
AI 导读
研究提出 TiGanEval 基准测试,指出 LLM 智能体应将指令视为证据而非目标以推断真实需求。分析 SWE-chat 100 条轨迹发现,56% 的初始指令遗漏了必要需求,52% 的后续需求可从项目中推断。
来源:arXiv · AI · arxiv.org