智能体偏好的资源与其实际修复收益存在错位。
资讯摘要
论文提出 Banzhaf Resource Attribution（BRA）受控析因框架，在固定失败状态与修订协议的前提下，测量计算、信息、反馈三类资源对修复的边际贡献及交互作用。作者在 MBPP+ 与 HumanEval+ 的 194 个函数级失败、SWE-bench Verified 的 126 个仓库级失败上评估六个模型，发现任务相关规格稳定提升修复，公开测试反馈收益小，检索代码几乎无益；额外计算的价值随模型能力下降，信息仍有用。但四个前沿模型中三个在 95–100% 情况下选择反馈，收益低于均匀随机选择。
要点速读
- BRA 框架在固定失败状态和修订协议下，量化计算、信息、反馈三类推理期资源的边际贡献与交互。
- 任务相关规格稳定改善修复，公开测试反馈收益小，检索代码几乎无益；额外计算价值随模型能力下降。
- 四个前沿模型中三个在 95–100% 情况下选择反馈，其收益低于均匀随机资源选择。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。