科学搜索智能体在哪类决策检查点暴露与检验尝试中失败：基于 AutoResearchBench 的审计研究

研究提出决策检查点协议，记录科学搜索智能体在推理过程中的观察与工具动作，而不依赖基准标签。在 540 个可回答的 AutoResearchBench Deep 问题上，关键词搜索准确率为 24.6%，raw search 为 17.8%；read-first 比关键词搜索多 27.4% 的证据检索调用，两种条件均达到 24.6% 准确率。检查点协议区分了目标暴露、检验尝试与总体准确率及工具使用量。