Who&When Pro: Can LLMs Really Attribute Failures in AI Agents?

论文提出 Who&When Pro，用来评估 LLM 是否能判断 agent 失败由谁造成、发生在哪一步。benchmark 面向多轮 agent 轨迹和多种失败原因，要求模型同时处理责任归因与时间定位；摘要强调当前 LLM 在长交互中明显不如人工标注稳定。它把“agent 出错了”拆成可操作的诊断问题，比只看最终成功/失败更适合调试复杂工作流。