SteerBench-Work

SteerBench-Work 收录 7 个领域的 106 个事故锚定工作场景，并为每例构造证据反转镜像，要求 agent 在发信、合并代码或付款前选择执行或暂停。30 种模型条件下，错误阻止已授权工作的比例达 28.1%，错误放行危险动作只有 1.0%；在知名事故叙事上得分 98.5%，换成反向现场证据便跌至 63.8%。这个不对称说明当前安全训练更容易制造保守先验，模型未必真在读取决定权限的具体证据。