Skip to content
Hot eventLive

SafeActBench：工具调用智能体证据-行动失败链研究

1 reports1 sources3 hr ago updated

Get the story

AI overview

2026年10月7日，arXiv Computation and Language 发布论文《SafeActBench：工具调用智能体如何从证据走向行动并失败》（一手报道）。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。目前未见更早或相互矛盾的报道。

Generated from reports · updated 3 hr ago

LatestOct 7
arXiv 发布 SafeActBench 论文，含656案例、六领域、五协议，覆盖十种模型与 harness 配置。

Timeline

Follow the coverage from different angles.

Oct 7, 2026
  1. arXiv · Computation and Language
    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。

Heat trend

Current heat 9·Comparable peak 10（Oct 7）·Comparable change over 24 hours –

02.557.510Oct7Oct7Oct7Oct7

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.