arXiv · cs.AI· Hanjun Luo·· 21 天前AI 评分40
ParanoiaEval：首个评测编码智能体不必要防御性工作的 benchmark
ParanoiaEval: Benchmarking Unnecessary Defensive Work in Agentic Coding
来源与原文
arXiv · cs.AI
作者：Hanjun Luo
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.08662v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
研究者推出 ParanoiaEval，首个统一评估编码智能体风险处理能力的 benchmark，基于 Avoidance-Transfer-Mitigation-Acceptance 框架构建 200 组证据受控的仓库级任务对。对 8 个代表性模型的实验显示，即便有明确证据，11.2%-58.7% 的运行仍出现不必要风险处理；更强的任务能力并不带来更恰当的风险处理，风险处理是独立的能力维度。
来源：arXiv · cs.AI · arxiv.org