CTXGAP报告缺口研究
3 节点1 篇4 来源
腾讯团队发布的预印本研究 CTXGAP 量化了 AI 编码智能体在“执行记录”与“用户报告”之间的任务状态可恢复性差距。研究发现，尽管智能体能准确回答直接询问，但仅依赖其生成的常规进度报告，人类监督者只能恢复约 52% 的任务状态信息，比读取完整执行上下文低 40.7 个百分点。这一缺口意味着失败尝试、变通方案和未解决风险常在报告中消失，导致监督者无法察觉潜在问题。即使任务最终成功，报告仍遗漏关键细节；通过基于上下文的改写可将恢复率提升约 8 个百分点，但仍低于全上下文水平。该研究确立了“基于报告的任务状态可恢复性”作为评估智能体透明度的新维度。
事情怎么走到这一步
Guoyang Xu 等作者提交 arXiv v1 版本，首次公开 CTXGAP 测量研究，指出监督者依赖报告可能忽略未上报的失败和风险。
arxiv.org ↗发布 v2 修订版，细化数据：在 37 个任务和 4,799 个探针中，报告视图恢复率为 52.0%，全上下文为 92.7%，差距达 40.7 个百分点。
arxiv.org ↗媒体/社区报道确认该预印本存在显著的信息缺失，强调仅靠报告恢复任务状态的准确率大幅低于全上下文。
arxiv.org ↗
还没定论的部分
- 如何在生产环境中低成本地实现‘基于上下文的报告改写’以缩小监督盲区？
- 除了编码任务，这种报告-执行状态缺口在其他类型的自主智能体（如 GUI 代理）中是否同样显著？
- 现有的智能体评估基准如何正式纳入‘报告可恢复性’这一维度而不增加过多计算开销？