MAADBench：多智能体系统异常检测的可刷新基准范式

研究人员推出首个多智能体系统异常检测的可刷新基准 MAADBench，旨在解决基于 LLM 的系统故障率达 41%-87% 的问题。该基准覆盖约 10^37 任务空间并自动生成步骤级标签，同时开源了包含 5,200 条标注轨迹的 MAADBench-Full 数据集。对 25 种异常检测方法的评测显示，现有方案严重依赖监督且跨 LLM 主干时缺乏鲁棒性。