TraceDance构建Agent基准，前沿LLM通过率仅27%

发生了什么

据Hugging Face Papers报道，TraceDance系统从部署轨迹构建针对特定决策点 undesirable behaviors 的Agent行为基准。该系统利用Anchor-and-Confirm和Anchor Synthesis Loop技术生成规范。实验基于252,557个会话生成107个基准、4,125个实例。九款前沿LLM在这些基准上的平均通过率为26.7%，显示其在评估决策点上仍难以做出适当响应。