deterministic-verification

一个确定性验证引擎在基准测试中，在规范结构化输入上取得了66/66的满分，而实时模型评估通过了19/66个用例。团队正在重构基准测试，以更好地隔离故障并衡量各个流水线阶段的性能。

一个确定性的 macOS 菜单栏应用，监控编码代理记录（如 Cursor、Claude Code 等），使用正则表达式提取声明，并与证据交叉比对以标记不一致之处——所有操作均在本地运行，无需 LLM 或 API 调用。

本文识别了工具使用型LLM智能体中的一种静默故障模式，其中策略违规发生时既无工具错误，也无智能体自我报告。作者提出并评估了轻量级确定性预执行门控机制，该机制在τ²-bench航空领域显著减少了此类故障。