DFAH-Bench：基准测试金融决策中可观察的智能体不稳定性

金融AI智能体可以在改变工具、顺序或所记录参数与结果的同时重复同一决策。仅看结果的评估漏掉这种变化，即使它对重放与变更控制很重要。DFAH-Bench把确定性—忠实性保障治控（DFAH）操作化：忠实性指重放下可观察执行的保真，而非答案正确性。该协议鉴定可比、充分观测的重放，并在相同合格组上度量决策一致（DAR）与工具路径一致（TAR）。我们分析来自带观测工具使用配置的4,157个回溯情景（跨719个合成合规与金融DataOps组），以及一个参数感知的前瞻扩展——跨190组的570个合格情景。在该扩展中：决策一致94.2–95.1%，而精确工具名路径一致仅66.9–69.4%，产生25.8–27.3个百分点的差距；参数与结果轨迹一致降至45.0–51.5%。即使在全票决策的组内，任务加权下路径变化仍达66.7–68.9%。DFAH-Bench让稳定决策背后的执行变得可见，服务于重放、调查与变更评审。