Salesforce团队提出Agent自我意识对齐框架ASA

Qinglin Chen 等（作者所属材料未说明）发布论文，提出 Agentic Self-Awareness（ASA）框架，将智能体的任务可行性判断（know）、应有行为（act）和对重新考虑信号的反应（hold）对齐，区分任务所允许的与智能体实际能解决的。 论文在 Terminal-Bench 2.1 与 retail τ²-bench 中构建成对的可行与阻塞任务，并提出作者感知的 M0–M3 评分标准，将识别阻塞与以正确理由执行经认证的暂缓动作区分开。 结果显示：不更新模型权重、仅通过 harness 搜索即可在复用的 Terminal-Bench 搜索任务上将 strict SA 从 45.3% 提升到 93.8%；但仅针对弃权做选择可能降低可行任务的成功率。Retail 留出集收益有限，Terminal-Bench 阻塞任务的迁移未测量。以上结果基于论文摘要。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。