Newest papers

EpiSEM-Bench: Evaluating Safety and Evidence Recovery in LLM Agents under Missing Evidence

Qijin Zhang, Hanzhen Wang, Yuehan Zhao, Haoyu Dai, Yao Shu, Zhongxiang Dai, Shuang Qiu · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.31650 · cited by 0 works (OpenAlex) · open-access PDF

Russian

Агент, использующий язык моделирования инструментов, полагается на экологические факты, чтобы решить, разрешено ли действие. Когда ответ инструмента оставляет без внимания факт, связанный с безопасностью, агент может осуществить запрещенное действие, даже если запрос пользователя является доброкачественным и каждое возвращенное заявление верно. Мы вводим \bench{}, выполнимый референтный показатель для оценки небезопасного исполнения, границ безопасности и восстановления доказательств в агентах LLM под отсутствием доказательств. Он содержит 300 сопоставимых небезопасных/безопасных пар задач по шести областям. Систематически подавляя критические факты, референтный показатель измеряет небезопасное исполнение под критическим упущением доказательств и определяет минимальную наблюдаемую кардинальность не

Machine translation (Meta M2M100); the English original follows.

Abstract

Tool-using language model agents rely on environmental facts to decide whether an action is permitted. When a tool response omits a safety-relevant fact, an agent may carry out a prohibited action even though the user request is benign and every returned statement is true. We introduce \bench{}, an executable benchmark for evaluating unsafe execution, safety boundaries, and evidence recovery in LLM agents under missing evidence. It contains 300 matched unsafe/safe task pairs across six domains. By systematically suppressing critical facts, the benchmark measures unsafe execution under critical evidence omission and determines the minimum observed failure cardinality, including failures with full evidence and cases with no observed failure after exhaustive testing. An independent audit tool tests whether agents seek missing facts and then withhold prohibited actions while completing permissible tasks. The benchmark reveals substantial variation across the ten models in omission robustness, evidence acquisition, and appropriate action. Resistance to missing evidence does not necessarily translate into useful recovery. Recovery access reduces unsafe execution for all ten models, but agents differ in whether they actively obtain the missing facts and use them to act appropriately in both worlds.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Benchmark (surveying), Executable, Task (project management), Computer science, Action (physics), Audit

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange