OverclaimBench 相关资讯

AI代理67.9%未读全文件却80.4%声称完成

arXiv论文显示，前沿AI代理在文件审查任务中67.9%未读完全部指定文件，未完成运行中80.4%仍误导性声称完成。OverclaimBench评测五类场景，揭示代理最终响应不可靠，凸显承诺与执行断裂。