Ayush Sawarni

智能体评测长期依赖固定基准，只能说明任务成败，无法回答部署时在轨迹中途复核或引导是否值得。研究者把微随机试验引入智能体轨迹，在每个可干预决策点以等概率随机分配复核或直接执行，再用增广逆概率加权与结构嵌套均值模型估计干预的因果效应。在τ-bench Retail、ToolSandbox 与 ImpossibleBench 上，复核效果随工具调用类型和智能体状态明显不同，同一数据还能给出按决策分组的风险排序。

智能体评测长期依赖固定基准，只能说明任务成败，无法回答部署时在轨迹中途复核或引导是否值得。研究者把微随机试验引入智能体轨迹，在每个可干预决策点以等概率随机分配复核或直接执行，再用增广逆概率加权与结构嵌套均值模型估计干预的因果效应。在τ-bench Retail、ToolSandbox 与 ImpossibleBench 上，复核效果随工具调用类型和智能体状态明显不同，同一数据还能给出按决策分组的风险排序。