研究把同一 Agent 状态交给模型，分别询问事实与下一步动作，覆盖17个快速系统及一个推理参照。较强系统的决策错误中，73%–85%发生在全部已测事实答对时；这不是所有动作的错误率。作者另造规则充分的状态，发现把模型自己的事实答案交给代码组合可修复很多错误。自然状态中的改善较小，探针也未必覆盖全部决策条件。
持续追踪
持续追踪
研究把同一 Agent 状态交给模型，分别询问事实与下一步动作，覆盖17个快速系统及一个推理参照。较强系统的决策错误中，73%–85%发生在全部已测事实答对时；这不是所有动作的错误率。作者另造规则充分的状态，发现把模型自己的事实答案交给代码组合可修复很多错误。自然状态中的改善较小，探针也未必覆盖全部决策条件。