SafeActBench：工具调用智能体如何从证据走向行动并失败

论文提出 SafeActBench，包含 656 个案例、六个操作领域和五种协议，用于分析工具调用智能体在证据到行动链条中的失败。研究覆盖十种模型与 harness 配置，发现静态动作评估较强而交互执行较弱，失败常发生在执行前的调查不完整或证据未建立阶段；单动作执行通常可靠，多动作流程还会暴露前置条件未解决和执行不完整。