AM-Bench：跨模型与执行框架理解任务欠规范下的智能体表现

研究者发布 AM-Bench，基于 Terminal-Bench 2.0 和 Harness-Bench 改编 48 个任务，每个任务含一个完整参考和六个目标、上下文或约束模糊/缺失的变体，覆盖 5 个模型与 4 个执行框架共 20,160 次运行。结果显示目标缺失阻碍完成、上下文缺失增加 token 消耗、约束缺失削弱合规性，且缺失比模糊影响更大；模型与框架的排名会随信息条件和评估标准变化。