trajectory-judge：仅看结果的 LLM 裁判会漏掉 Agent 轨迹中的什么

论文提出 trajectory-judge 测试台，用确定性客服环境和一步故障注入器标注 400 条轨迹，检验 LLM 裁判对 Agent 轨迹故障的识别。结果显示，只看请求和最终回复的 14B 裁判在四类不改变回复的故障上召回 34% 至 76%，但配对区分度为零；按结果是否被破坏拆分也不能修复该偏差。