NeuroState-Bench：一个用于评估 LLM Agent 档案承诺完整性的人工校准基准

本文提出 NeuroState-Bench，这是一个经人工校准的基准，旨在通过预定义的侧向查询探针而非推断隐藏激活，来操作化评估 LLM Agent 在多轮任务中的“承诺完整性”。该基准包含 144 个确定性任务和 306 个探针，涵盖八类认知失败模式。实验表明，任务成功率与承诺完整性存在显著分歧：两者排名不一致，且完整性排名在干扰下更稳定。提出的 HCCIS-CORE 评分在诊断终端任务失败方面表现优异，为暴露模型承诺失效提供了新的校准评估维度。