成功并非不证自明：智能体评估中的成功来源审计

正确答案可能掩盖智能体成功的原因。一旦智能体在评估过程中改变了自身的信息状态，正确性就不再能区分按预期推理与获取到答案。结果证据与暴露检测都无法确立成功是否依赖于所获取的目标；我们将这一缺失的评估对象称为成功来源（success provenance）。AcquaBench通过在四个标准化面上进行匹配的CLEAN、GOLD与SHAM值替换并辅以联合qid聚类分析来审计它。CLEAN保留基准授权的信息。GOLD使正确目标可用。SHAM保留来源结构与暴露机会，但替换为一个匹配的错误值。GOLD减CLEAN衡量分数对正确目标可用性的总体响应；GOLD减SHAM检验该响应是否在匹配的来源暴露之外仍追踪目标正确性。在D0中，GOLD比SHAM高19.1至25.9个百分点，表明成功跟随正确值。在D2中，分布式充分性下GOLD仍高于SHAM，而coloc不再能作为高分标记迁移，AUROC分别为0.376和0.142。因此，行为依赖可以持续存在于该探针预期观测单元之外。在模型比较中，一个有依据的5.0分CLEAN分差压缩为-0.6分的原始GOLD差值，但这并不足以确立排名倒置。智能体基准应在报告成功的同时，报告所评估的信息状态是否支持了这一成功。