斯坦福基准：26 个 AI 智能体在多用户共享控制下严重失灵
斯坦福、KAUST、得州大学奥斯汀分校与麻省理工的研究人员发布了 Muses-Bench，首个针对多用户大模型智能体的系统性基准，测试了 26 个闭源与开源模型。多数聊天助手按单用户场景训练和评估，这一假设在 Slack 频道等共享工作空间中会被打破；基准测试指令仲裁、访问控制与会议协调三类场景，为每个模拟参与者设定角色与 1–10 的权限分。GLM-5.3 以平均 90.5 分领跑，Claude Sonnet 5 以 87.0 分居闭源模型首位，但当用户指令冲突时，即使前沿模型的执行准确率也大幅下滑——这提醒人们，部署在共享场景中的智能体可能泄露隐私信息或听从了错误对象的指令。
报道来源
- Alpha Signal2026-11-07 01:17