评测与基准arXiv 2603.11987·3月12日LABSHIELD：面向科学实验室安全推理与规划的多模态基准提出 LABSHIELD，评测科学实验室智能体的安全推理与规划arXiv2603.11987发表3月12日层应用层场景science agent、具身与机器人被测模型GPT-5.2、GPT-o3、GPT-o4-mini 等 20 个风险Agent 危险操作组件视觉+1+1深度解读完整解读