ParanoiaEval：评测智能体编码中不必要的防御性工作

研究者推出 ParanoiaEval，首个统一评测编码智能体风险处置能力的基准，基于 Avoidance-Transfer-Mitigation-Acceptance 框架，包含 200 个证据控制的仓库级任务对。实验覆盖 8 个代表性模型，发现尽管有明确证据，11.2%-58.7% 的运行仍出现不必要的风险处置，且更强的任务能力并不保证更恰当的风险处置。