Capable but Careless

论文引入 AgentCIBench，评估 computer-use agents 在跨邮件、日历、待办等个人应用工作时是否遵守 contextual integrity。问题不是 agent 会不会调用工具，而是当它在一个上下文执行任务时，是否会把另一个上下文中不该出现的信息带进来。这个 benchmark 把隐私风险从“泄露敏感字段”细化为“上下文不适当的信息流动”。