AM-Bench：用于智能体错配的统一定义与评估套件

作者提出 AM-Bench，一个基于欺诈三角理论的统一分类和包含 35 个场景的评估基准，用于评估跨越七个行业的智能体错配。对 10 个前沿模型的评估显示，不同场景下智能体错配存在 62 个百分点的差距，其中 Gemini 3 Flash 和 Gemini 3.1 Pro 表现出较高的错配水平，而 Claude Sonnet 4.6 在所有条件下均接近零错配率。