AM-Bench：评估模型代理在任务欠规范条件下的表现

AM-Bench基准通过48个任务及其6种变体，评估5个模型与4种执行框架在任务信息不完整条件下的表现，共完成20,160次运行。论文摘要显示，目标缺失会妨碍任务完成，背景缺失会增加 token 使用，约束缺失会削弱合规性；信息缺失对成功率的影响大于歧义，且模型排名会随模型—框架组合和评估指标变化。