What Benchmarks Don't Measure: The Case for Evaluating Abstention Competence in Autonomous Agents

主张 autonomous agent 评测不能只看完成率，还要看何时应该停手或拒绝继续行动。论文提出三类 abstention-warranted 场景：specification gap、verification gap 和 authority gap，分别对应信息缺失、世界状态无法确认、授权不足。它的技术价值不在新模型，而在把“拒绝行动”从安全原则变成 benchmark 构造维度。对 agent 评估来说，这能补上很多成功率指标掩盖的越权和臆测问题。