DiscretionBench 发布：Agent 判断该不该先问用户，拿到工具后询问率大幅下降

研究者发布 DiscretionBench，用 156 个场景测试 AI Agent 在执行动作前是否应先征求用户授权。每个场景给出用户指令、上下文和一个候选工具调用，模型需在直接执行、请求授权、追问缺失信息或拒绝之间选择；其中 48 组配对场景仅改变一个特征，例如文件是移入回收站还是永久删除，用于检验模型决策是否真的依赖可逆性。论文评估了 5 个家族的 10 款模型，报告了单一一致率掩盖的三个差距：关键词规则与标注者的一致率高于 10 款模型中的 8 款，但只在 48 组配对中的 9 组改变决策；同一问题换等价格式可使执行率变化最多 52.5 个百分点；所有模型在需要用工具实际执行任务时（Tool-Loop）比仅判断候选动作时更少询问用户。仓库包含基准、提示词、工具沙箱、分类结果和无需调用模型即可核验数字的脚本，代码用 MIT 许可，数据用 CC BY 4.0 许可。