理应资讯
软件研发智能化

OAT:只用成功轨迹做智能体失败归因,称比提示词裁判快数百到数千倍

理应编辑室 ·

NeurIPS 2026 论文介绍 OAT:将失败归因视为单类学习,仅用成功轨迹训练,推理时对失败轨迹逐步打漂移分;称约 100 条成功样本即可,速度较提示词基线快 200–5000 倍,F1 约高 20%。

长任务智能体出问题时,难点往往不是「失败了」,而是「哪一步开始偏了」。威斯康星大学等研究者在 NeurIPS 2026 论文《Tracing Agentic Failure from the Flow of Success》中,把失败归因(failure attribution)当成可规模化的诊断问题。

作者指出两条主流路径的成本:提示词管道让大模型通读整条轨迹逐步评判,又慢又贵;事后训练的归因模型又依赖逐步标注的失败轨迹,采集困难。他们提出的 OAT 把问题做成单类学习:只在成功轨迹上训练,用神经受控微分方程刻画「健康轨迹」在潜空间中的流动;推理时对失败轨迹逐步打「偏离成功动力学」的分数,偏离最大的步骤被标为可疑错误点,且不需要逐步失败标注。

帖内给出的结果是:仅用约 100 条成功轨迹训练时,OAT 比含 GPT-5 judge 在内的提示词基线快约 200–5000 倍,F1 约高 20%。合作方包括微软研究院。对平台与评测团队,这意味着可以用大量廉价成功日志做诊断,而不是先堆标注失败集。论文数字来自作者自报实验设置,迁移到你们的工具链与任务分布前仍需复现。

flowchart TD
  S[成功轨迹] --> T[学习成功动力学 OAT]
  F[失败轨迹] --> I[逐步漂移打分]
  T --> I
  I --> E[高漂移步骤 = 可疑失败点]

适用读者:做智能体评测、轨迹调试与可观测性的研究与工程团队。

# 智能体# 失败归因# NeurIPS# 调试# OAT