DRNOISE：在误导性证据环境中评测深度研究智能体

研究者提出 DRNOISE，这是一个包含 100 项任务的基准，用于评测深度研究智能体在误导性证据环境中恢复答案的能力。每项任务都有一个唯一的正确答案，且有两条相互印证的间接记录链支持该答案；此外还设置了噪声条件，额外加入一份看似合理、却直接给出冲突答案的文档。该基准覆盖十类证据操作。在共享的智能体框架中，在干净任务上表现强的模型在仅加入上述干扰文档时，准确率下降 66 至 88 个百分点。轨迹分析显示，智能体常表现出验证惰性：它们检索到真实记录，却在未充分核对这些记录与直接给出答案的文档是否一致的情况下，就采信了后者。