STOCKTAKE：用公平先知测量大语言模型智能体的感知—行动差距

STOCKTAKE提出一个26周供应链补货基准，将任务建模为含六个隐藏因子的部分可观测决策过程，并用与智能体相同观测流运行的精确贝叶斯过滤器构造公平参考策略。50组种子结果显示，四个模型能识别84%–88%的隐藏故障，但技能分数从0.62到−0.23不等，揭示误判之外还存在“知道但未行动”及过度反应两类失败。