使用工具的语言模型代理依靠环境事实来决定是否允许采取行动。当工具响应忽略了与安全相关的事实时，即使用户请求是良性的，并且每个返回的陈述都是正确的，专员也可能会执行被禁止的操作。我们引入了\ bench {} ，这是用于评估LL中不安全执行、安全边界和证据恢复的可执行基准

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2610.31650v1)获取最准确的信息。

---
🔗 **原文链接**: [EpiSEM-Bench: Evaluating Safety and Evidence Recovery in LLM](https://arxiv.org/abs/2610.31650v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Qijin Zhang, Hanzhen Wang, Yuehan Zhao, Haoyu Dai, Yao Shu, Zhongxiang Dai, Shuang Qiu

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。
Agent是2026年最卷的方向，没有之一。这篇文章的实操经验够硬。
建议收藏，做Agent开发的时候拿出来翻翻。
AI安全不是遥远的哲学问题，正在变成每个AI开发者都要面对的工程实践。
这篇文章不贩卖焦虑，讲的东西很实在。
Benchmark看多了容易麻木——跑分好不一定产品好用。这篇文章好在对分差有分析，不只是贴数据。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-10-23 13:02