UndoBench：區分工具使用 AI 智能體的任務能力與故障恢復能力

UndoBench 論文提出一套基準，透過相同隨機種子下的反事實配對試驗，分開評估工具使用 AI 智能體的常規任務能力與操作故障恢復能力。在 12 個留出測試工作流程的確認回覆遺失研究中，5,760 次執行（2,880 組配對試驗）的常規任務完成率為 83.54%，條件恢復成功率（CRSR）為 46.72%；直接重試在 53.33% 的試驗中造成重複外部效果。