Ambig-DS：数据科学代理中任务框架歧义的基准测试

随着数据科学代理从辅助驾驶转向自动驾驶，静默的任务框架误判成为关键失败模式。现有基准仅评估流程运行，忽视任务未明确指定的问题。本文提出 Ambig-DS，包含预测目标歧义和评估目标歧义两套诊断套件。实验表明，歧义显著降低性能，主要体现为静默的错误承诺而非执行错误。虽然允许提问可恢复部分性能，但代理难以可靠判断何时提问。识别目标与评估标准的未指定性是当前评估缺失的瓶颈。