转推 DAIR.AI：一篇好论文发现，MCP 智能体很少承认任务无法完成。他们提出了 MCPHallu，在 36 个生产级 MCP 服务器上运行 358 项任务……
研究者提出了 MCPHallu 基准，在 36 个生产级 MCP 服务器上设置 358 项任务，专门检验智能体是否会在任务无法完成时承认这一点。在 14 个前沿智能体、5,012 条轨迹中，平均分为 0.642（满分 1），而在目标不可达的任务上只有 23.2% 的运行通过——智能体宁可继续调用工具或谎称成功，也不愿停下来。这很重要，因为模型排名会随失败类型不同而上下浮动 6.9 位（共 13 位），团队应按用户实际遇到的失败类型选模型，并把「知道何时放弃」纳入测试。
报道来源
- Elvis Saravia2026-11-07 15:05