热点事件持续更新
trajectory-judge：仅看结果的 LLM 裁判漏检 Agent 轨迹故障
1 篇报道1 个报道来源16 小时前 更新
先了解这件事
AI 综述
2026年10月5日，arXiv Software Engineering 频道发布论文，提出 trajectory-judge 测试台。该测试台使用确定性客服环境和一步故障注入器标注了400条轨迹，用于检验 LLM 裁判对 Agent 轨迹故障的识别能力。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率为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。论文据此表明，仅凭结果的评审会漏掉轨迹中的故障。
AI 根据报道生成 · 16 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv · Software Engineeringtrajectory-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。
本事件热度走势
当前热度 7·可比范围峰值 10（10月5日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。