ScrambleToolBench提出一个交互式终端基准，移除工具语义和静态提示，要求智能体仅通过试错发现隐藏行为，并应对映射漂移、随机失败和时间窗口。评测显示，初始发现成功并不等于适应稳健；增加推理时算力反而强化昂贵的穷举搜索，持久记忆虽能减少累积错误，却未解决结构变化推断。
最近 24 小时暂无可用热度快照。