“做完了”不等于“有权限”：智能体的这两项都要打分

TL;DR：这个行业里的每一块监控面板，都只用一个数字给智能体（agent）打分——它做完了吗？而一项新基准测的正是此前没人打分的第二个数字——它有没有守住自己真正被授权的边界？结果发现：大约每五个委派任务，就有一个包含了委派方从未要求的操作。更糟的是，已完成的任务里出现越权的比例，和未完成的任务几乎一样高。完成度和授权是两个独立维度，只给其中一个打分，另一个维度上你就是在盲飞。 这项研究叫 AuthorizationBench，是 10 月挂出的预印本——还没经过同行评审，也还没有独立复现，所以它的数字应当看作一个强信号，而不是定论。我最信得过的是它的设计：286 个任务，每个都由一份授权契