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
智能体常能看出任务缺少前提，却仍继续执行；一项新评测把“识别阻碍”和“据此停手”分开打分，并在不改模型权重的前提下用运行框架搜索把严格自省从两成提到六成。
冠脉影像智能体先亮证据再给答案：门控只放行76.7%，参考病灶候选也被拒一半
泛血管介入研究开始把“可追溯”写进智能体的输出契约：ScienceBuddy-PV 在公开冠脉造影基准 ARCADE 上固定一个共享卷积模型，只评估证据门控与动作审计，门控在狭窄帧上放行 76.7% 的候选，而纯分数比较器放行 100%。锁定测试集上狭窄分割 Dice 为 0.231、AUROC 为 0.957，但像素阳性率仅 0.00975，且参考病灶候选被接受 44.3%、被拒 55.7%。该结果属于图像级技术验证，递归改进与模型学习循环仍是协议而非已执行实验。
让模型学会说“我不知道”：换掉答题策略不如加一个答案筛选器，TriviaQA覆盖率从20.2%升到30.9%
在Qwen3-14B的事实问答上，固定生成器、另训一个答案筛选器，比直接训练模型何时弃答更有效。TriviaQA上，筛选器把平均覆盖率从原模型校准置信度过滤的20.2%提高到30.9%，同时把已作答答案的合并错误率从23.0%降到14.5%；但换到NQ-Open，其平均效用仍低于全部弃答，跨数据集可靠弃答仍未解决。
SafeActBench用656个案例追踪工具智能体的证据到行动链，发现静态判断强而交互执行弱
研究者提出SafeActBench，包含656个案例、覆盖六个运营领域与五种协议，用来源绑定的证据账本和确定性轨迹评估器检查工具智能体在行动前是否已建立所需证据；在十种模型–执行框架组合上，静态行动判断可以很强，而交互式执行明显更弱，失败常源于调查不完整或过早行动，一旦证据齐备，单步执行通常可靠，多步工作流则还暴露出未解决的前置条件与执行不完整。
已读完全部报道