标签
本文提出决策检查点审计——一种轨迹层面的测量方法，将科学检索智能体的失败划分为目标暴露、查阅以及答案正确性三个阶段。研究发现，在AutoResearchBench Deep基准上，关键词检索策略与先读后答策略虽失败分布不同，却达到了完全相同的24.6%准确率。