NAQD-Env：语言智能体的选择性操作暂停

选择性暂停的本质

NAQD Env 是一种合成环境，用于评估语言智能体在选择性停止行动方面的决策。其基准策略是确定性的，依赖于明确定义的证据、授权和约束之间的关系。当证据发生变化、授权被撤销或收到停止指令时，智能体必须暂停受影响的行动。对于不受影响的工作，智能体则应予以保留。只有在得到充分纠正后，才恢复行动。评估标准：该环境检验的是暂停的选择性，而非全面停止。

评估方式

评估使用了 11 类依赖关系。数据集中包括用于开发的结构、留出类别以及留出的结构组合。各项指标分别统计违规尝试和模拟执行机制实际造成的违规。综合指标反映策略遵循情况、任务价值、行动停止、恢复以及事件报告。这样的指标体系区分了意图与实际违规，也将安全性与效用和沟通联系起来。实践标准：应综合查看所有指标，而不能只看是否停止行动。

三种模型的结果

研究评估了三种开放权重模型。它们均经过指令跟随调优，分属两个系列。研究采用了三种提示条件和 350 个固定场景。通过执行机制重放之前，共获得了 3 150 个“模型—提示”回合。在所考察的条件下，行动停止召回率不高于 0.06。在存在适当机会时，没有观察到任何一次正确恢复。只有一个回合完全符合基准策略。

NAQD 提示下的模型对比：

结论：即使使用专门设计的提示，模型也很少完全遵循基准策略。安全性提升可能会减少有用工作。实践标准：不仅要检查违规尝试，还要检查是否保留了不受影响的行动。

环境与微调的局限

该环境评估的是在可信结构化输入可用时对策略的应用。它无法证明模型具备现实中的遏制能力或来源核验能力。在受控微调研究试验中，Qwen2.5-3B 的决策准确率有所提升。单独的诊断发现，在训练课程内容出现缺失后，模型会不恰当地停止行动；诊断还显示，事件报告频率有所下降。Mohamed Abouzahra 的论文于 2026年9月29日提交。实践标准：微调需要检查是否出现不恰当的停止，以及事件报告的质量。

实践选择建议

NAQD Env 衡量的是受控条件下的选择性暂停。该环境使用可信结构化输入，但无法保证模型在现实中的遏制或来源核验能力。选择智能体时，应关注行动停止召回率、恢复是否正确、不受影响的工作是否得到保留，以及事件报告情况。微调可能提高决策准确率，但也有导致不恰当停止和沟通减少的风险。评估标准：应将该环境用作策略诊断工具，而非现实环境可靠性的证明。