ContractEval 要解决什么问题？
它要显式识别一次查询中处于激活状态的程序性义务，并检查 LLM 智能体是否遗漏、错分支、乱序、执行多余动作或违反不变量等。
ContractEval: Query-Conditioned Execution Matching for Procedural Instruction Conformance
（翻译）ContractEval：面向程序性指令合规的查询条件化执行匹配
资讯摘要
Abstract page for arXiv paper 2609.09458: ContractEval: Query-Conditioned Execution Matching for Procedural Instruction Conformance
AI 摘要
arXiv 论文提出 ContractEval，一个诊断 LLM 智能体执行程序性指令合规性的框架。它将程序指令表示为查询激活的义务，并与响应或轨迹证据匹配，从而区分遗漏检查、错误分支、顺序错误、多余动作、不变量违反和输出契约违反等失败。实验显示仅看输出或轨迹的 LLM 评判常漏掉注入的结构性失败，而 ContractEval 在金标准图下能检测并定位；作者强调它并非合规保证，而是让程序合规可审计。
AI 问答
仅有输出或轨迹的评估为什么不够？
因为它们只能看到最终答案或活动记录，无法判断哪些检查、分支、依赖或不变式本应被激活，因此会漏掉许多结构性失败。
作者认为 ContractEval 能提供合规保证吗？
不能。作者明确说它不是合规保证，而是让程序性合规变得可审计，而不是隐含在最终答案质量中。
更多资讯
510万一张！携程上架太空旅行船票：已有681人购买，还得自己买保险；娃哈哈因拖欠员工公积金被查封办公楼；华为放权！问界将由赛力斯主导被AI放大的光学「戏份」，让「配角」舜宇的生意越做越大
贝森特回购落空与通胀重压 美联储加息或全面开启
英伟达开始限制Claude使用了产品已批量进入全球头部Tier 1产线，「知来具身」要为工业场景打造“开箱即用”的泛化机器人
AI 减速还是不减速：一场周末点燃的行业与政府对垒
早报｜雷军同日到访宇树与B站/罗永浩差评带来流量，野人先生单日涨粉近3万/鸿蒙智行确认问界合作调整，赛力斯主导
DeepSeek-V4.1-Flash 的最佳 Harness 搭档，我觉得可能是 Claude Code数亿元！前京东副总裁“消失”4年：不造会跑的天工，他在仓库里给人形机器人“占工位”
云连锁到轻连锁，品牌业务逻辑的改变
缓存不该困在一台服务器里企业案例分享：坤煜量子｜36氪2026产业未来大会2nm天玑9600 Pro，把旗舰SoC竞争推向「融合计算」
AI不断进步 不得不把才华埋葬在昨天
iPhone 18 Pro & Duo 首发评测，提升最大的是「充电」和这个…
物理 AI 的大结果何时到来？
实测豆包新模型2.1-pro，这次审美和长时间Agent任务都追上第一档了廉价太阳能改变世界能源格局
AI 负责创造，人来干脏活，这事儿能否停一下？不止一颗CPU？智能体经济时代，Arm对算力平台有了新理解
推特创始人谈“AI减速”论：前沿不属于任何一家公司9月21日，深圳前海！聊聊工业AI与生态共创的下一步
一年28倍妖王：谁在爆炒？
19.98 万元起，吉利银河战舰 700 开启预售，最高 1129 匹马力，还有三电机四驱
月下载暴增366%，上海真人社交公司切入东南亚AI陪伴，AI角色也能“奔现”
个贷不良四年涨 23 倍：这门从“救大行”长出来的生意，底层逻辑是什么？
分析师：四大关键因素驱动 Robinhood 链快速增长Xspark AI 丁文伯：触觉替代不了视觉，但机器人需要一套自己的“脊髓” ｜物理AI 50人
AI 写了几十页 PPT，“经营分析”报告仍被批不够深入？担心代码被拿去训练！英伟达：限制员工使用 Claude；一汽将成广汽第二大股东！南北丰田拟合并；苹果回应「iPhone 18 Pro破发」