新基准显示代理常不主动核实近期变化，性能差距可达27.5分。
资讯摘要
论文提出 BlindToChange 基准，用于衡量 AI 代理是否会主动发现并纳入用户请求未明说的近期现实变化。基准中的推荐类请求都设有一个因近期事件而失效的明显候选答案，事件自动取自 Wikidata，可定期刷新。作者报告，在未明确提及近期事件时，系统表现比直接询问该事件时最多低 27.5 分，即便推理投入较高也是如此；轨迹分析显示，过半失败源于代理未直接搜索核实相关事实是否已变化。
要点速读
- 论文指出 BrowseComp 等基准会明确说明要找什么，因而无法暴露代理未意识到自身假设需核实的问题。
- BlindToChange 的请求只给出最终信息需求，代理需自行发现相关变化及其后果。
- 作者报告未明说事件与直接询问之间最多存在 27.5 分差距，过半失败归因于未直接搜索核实事实是否变化。
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 2026/11/3 08:00:27（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。