提出Claw-Eval评估套件,通过全轨迹审计(执行痕迹、审计日志、环境快照)、多维评分(完成度/安全性/鲁棒性)和跨模态任务覆盖(300个人工验证任务),解决现有自主智能体评测中轨迹不透明、安全鲁棒性评估不足和模态覆盖狭窄三大问题。
机构:北大
来源:arXiv 2604.06132 | AI4Papers 论文推荐平台