智能体识别出任务做不了，却仍继续动手：把可行性判断写进运行框架，严格自省从两成升到六成

评测把智能体的自省拆成三件事：判断任务是否可行、按判断行动、被质疑后是否维持或修正判断，并把“任务本身是否允许完成”与“智能体能否完成”分开。 此前的成功导向评测只看任务是否完成，无法区分“识别到阻碍却继续做”和“根本没识别到阻碍”。 在 Terminal-Bench 2.1 的协议基线上，智能体在受阻搜索任务中识别出真实阻碍的比例达到较高水平，但严格自省只拿到两成，两者之间的差距来自不得编造、必须由任务智能体自己写出放弃动作、以及理由正确这几道关卡。

运行框架层面的搜索能在不更新模型权重的情况下改善这一行为，把提示、处理器、控制流和停止行为当作可搜索的对象。 此前只能靠模型自身能力或人工改写提示，缺少把可行性判断直接写进行为目标的对照。 只奖励放弃的搜索把 Terminal-Bench 受阻搜索任务的严格自省从两成提到六成，零售环境从两成提到四成；同时奖励放弃与完成可行任务的双侧搜索在 Terminal-Bench 把严格自省提到六成、可行任务解决率从四成七提到六成，在零售把两者分别提到四成四和四成七。

识别与行动之间的差距可以被量化，并给出一个双向目标：既要在任务不可行时停手，也要在任务可行时继续完成。 只优化放弃会带来反向捷径，即对本来可行的任务也拒绝执行。 在零售的留出集上，只按放弃选择的框架严格自省停在两成五，与初始参照持平，而可行任务解决率从四成一降到三成四；双侧选择的框架在留出集上严格自省为三成四、可行解决率为四成七，32 个可行任务上没有误弃。

这套评测面向终端和交互两类受控智能体环境，用配对的可行任务与受阻任务同时衡量该停手时是否停手、不该停手时是否继续。它适合研究智能体可行性判断与行为一致性的读者，以及需要为智能体运行框架设定双向目标的工程团队。评测任务、验证流程和评分规则被设计为可复用到其他智能体设置。

最大的框架增益出现在用于选择框架的搜索任务上，留出集上的提升有限；零售留出集每个任务只有一条随机轨迹，多出的两次严格自省成功不足以确立稳定改进。Terminal-Bench 受阻留出任务没有完整的严格自省评测，因此搜索集增益是否迁移到新阻碍尚未确定。零售的语义评分由与任务智能体相同的模型担任评委，可能共享模型特有的错误；可行性概率来自独立的只读探针，未必反映智能体执行任务时的实际信念。稳定性测试只注入一次中性质疑，不能说明面对反复或对抗性质疑时的表现。