评测与基准arXiv 2610.02928·10月5日研究用变异分析检验智能体基础设施验证套件的覆盖能力用变异分析检验会话投影层不变式套件的缺陷覆盖arXiv2610.02928发表10月5日层应用层场景多智能体摘要作者称通常的通过/失败证据价值不大：认证过的套件仍只杀死十个外部故障中的五个。作者测量一套看守智能体基础设施的不变式套件：通常拿来许可部署的「通过正确代码、失败损坏代码」，实际上能支持什么。深度解读完整解读