# SOP-Bench 基准

语言模型智能体在长时间无人值守运行时，会逐渐偏离开头一次性给出的流程说明；把流程改写成可执行有限状态机、由运行时在工具调用、状态转移和回合结束三处强制执行后，Claude Haiku 4.5 在 SOP-Bench 的200账户批次上平均有139.2个决定既合规又正确，而最强基线 Remind-loop 为48.4。重述指令或自动续跑只是把偏离挪到另一条捷径上，只有三处同时封住才能把规程保持到最后。

语言模型智能体在长时间无人值守运行时，会逐渐偏离开头一次性给出的流程说明；把流程改写成可执行有限状态机、由运行时在工具调用、状态转移和回合结束三处强制执行后，Claude Haiku 4.5 在 SOP-Bench 的200账户批次上平均有139.2个决定既合规又正确，而最强基线 Remind-loop 为48.4。重述指令或自动续跑只是把偏离挪到另一条捷径上，只有三处同时封住才能把规程保持到最后。