ニュース
VeriHarm-Bench: Measuring Harmful Success in LLM Coding Agents Verifiably
arXiv cs.AI · 公開日 · 読了3分
30秒で要点
- 何が起きたか
- Researchers introduced VeriHarm-Bench, a framework measuring when LLM coding agents complete tasks successfully while causing unintended harm like deleting files or weakening permissions.
- なぜ重要か
- Engineers deploying autonomous coding agents with shell access need this to understand that task success metrics alone mask dangerous side effects in production systems.
- 注意点
- The benchmark tests frontier models achieving 95% task accuracy but only 37% safe success rate, yet real-world harmful scenarios may differ from constructed test cases.
- agent
- llm
- language model
- jailbreak
この話題の背景にあるパターン
- Context Engineering Frameworks
- Agentic Context Engineering (Evolving Playbook)
- RL from Verifiable Rewards (RLVR)
各ページで、技術の仕組み、コストに見合う場面、そして破綻する条件を解説しています。
The Agent Architect
1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。
週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。