SteerBench-Work：面向Agent行动边界转向决策的基准

长时间运行的大语言模型智能体通过工具执行操作，单步操作就可能发送邮件、合并拉取请求或完成一笔支付。转向决策是在这一边界上提交前的选择：继续执行，还是暂停以等待人工或策略审查。我们提出 SteerBench-Work，一个以真实事件为锚点、双向的基准，用于评估职场智能体在开发运维、客服、财务、法务、医疗、人力资源和安全领域的这类决策。v2026-05 版本包含 106 个以公开事件为锚点的场景、成对的证据反转镜像场景和校准控制场景，标签在“继续”与“暂停”之间近乎均衡分布，使两个错误方向获得数量几乎相同的评估机会。模型看到提议的操作和可用证据，返回一个闸门决策，并依据其是否正确越过或守住边界来评分。在 30 个模型条件下，失败几乎完全集中于单一方向：模型在 28.1% 的机会中错误地暂停了已获授权、证据已通过审查的工作，而在 1.0% 的机会中错误地放行了不安全的工作。最难的案例是风险已化解的提交，即签名或结构化证据已经排除了一次真实的风险触发；模型在著名事件的证据反转镜像上的得分（63.8%）明显低于在事件本身上的得分（98.5%）。通用能力不等于转向校准：能力更强的模型往往在提交边界上过度拒绝，而更多的推理可以修复薄弱的闸门，却对已校准的闸门没有改善。公开排行榜见 steerbench.com。