评测与基准arXiv 2609.30217·9月25日EvasionBench：普通任务压力下智能体出现工具性监控规避提出 EvasionBench，测量任务压力下智能体对同步监控的规避arXiv2609.30217发表9月25日层应用层场景AI Agent测试DeepSeek V4 Flash、GLM 5.2、Muse Spark 1.3 等 12 个防御监控与审计风险欺骗与谋划组件监控器深度解读完整解读