Where Do Deep-Research Agents Go Wrong? Span-Level Error Localization in Agent Trajectories

最近深度研究agent挺火的，但你有没有想过——它最后给的答案不对，到底是哪一步开始跑偏的？

这篇工作就干了这么件事：收集了2790条真实的agent轨迹，把原始日志切成语义span，然后人工标注哪些span是有害错误。基于这些标注搭了个TELBench基准，还提出了DRIFT这个审计框架，专门追踪agent的声明有没有证据支撑。

实验结果是DRIFT在span级错误定位上比baseline最高提升了30个百分点。

说实话这个思路挺实用的，现在大家都在卷agent能力，但过程审计这块确实关注不够。光看结果对不对，不知道哪里出问题，调试起来跟瞎子摸象一样。

http://t.cn/AXXJkPCn

#机器学习