arXiv cs.AI· Wei Wang, Shuanghe Liu, Zhu Zhuo, Jiaqi Zhong, Xiaozhao Zhao, Xiaojie Zuo, Jie Su·· 3 天前AI 评分10
CockpitHAT：面向具身多智能体座舱的依赖图驱动分层归因框架
CockpitHAT: Dependency-Graph-Driven Hierarchical Attribution for Embodied Multi-Agent Cockpits
AI 导读
该论文已被作者 Wei Wang 因公司合规要求撤回。原研究提出 CockpitHAT 分层归因框架，用交互 DAG 的依赖距离阈值替代位置窗口，并结合多通道证据与安全提升机制。
正文 · AI 翻译
本文已被 Wei Wang 撤回
摘要：LLM 多智能体系统存在正确性崩塌（Correctness Collapse）问题，即高任务级准确率掩盖了严重的流程级失败。这在汽车座舱等安全攸关的具身场景中尤为危险，因为词汇上正确的表述可能触发危险的物理操作。现有归因方法仅依赖文本轨迹，忽略了依赖结构、多通道证据和安全感知评估。我们提出 CockpitHAT，一种分层归因框架，用来自交互 DAG 的依赖距离阈值替代位置窗口，通过具身适配器整合多通道证据，并在置信度加权分析师共识中对高风险失败应用安全提升。我们还发布了 CockpitBench，一个包含 212 条标注失败轨迹的基准，涵盖对话、车辆状态、环境和记忆通道，每条轨迹均通过三位专家共识标注 ISO 26262 ASIL 严重度。在公开的 Who&When 基准上，CockpitHAT 在 Hand-Crafted 划分上达到智能体级 / 步骤精确准确率 77.9% / 37.8%，在 Algorithm-Generated 划分上达到 86.5% / 46.0%，比仅文本的 SOTA ECHO 高出最多 17.6 / 16.7 个百分点。在 CockpitBench 上，它达到 78.3% 的智能体级和 38.2% 的步骤精确准确率。这些结果确立了依赖感知、多通道、风险校准的归因，作为现实世界具身 LLM 多智能体系统中可靠故障诊断的有效范式。
| 评论： | 因公司合规要求撤回 |
| 学科： | 人工智能（cs.AI） |
| ACM 分类： | I.2.7; I.2.11 |
| 引用为： | arXiv:2608.01805 [cs.AI] |
| （或 arXiv:2608.01805v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.01805 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Wei Wang [查看邮箱]
[v1]
2026年8月3日星期一 07:13:00 UTC（265 KB）
[v2]
2026年10月12日星期一 08:59:51 UTC（1 KB）（已撤回）
来源：arXiv cs.AI · arxiv.org