ReplayRCA：以反事实重放评测智能体失败诊断

Jeremy Canale 与 Fabien Soulis 提出并发布 ReplayRCA 基准，用“因果修复”分数评测智能体失败诊断，而非看诊断与人工标注是否一致。评测时把环境恢复到出错步骤之前，用诊断模型提出的动作替换智能体原动作，再让同一智能体继续运行；得分是续跑成功率减去配对安慰剂组的差值。 作者称，环境和评测代码已公开。

AI 根据报道生成 · 50 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。