DFAH-Bench：一致性无法衡量金融智能体的可靠性

DFAH-Bench 通过重放实验、省略工具调用的对照测试和带授权检查的银行任务，考察金融智能体决策一致性背后的执行差异。在 570 个合格重放片段中，决策一致率为 94-95%，而含输入与结果的工具路径一致率仅 45-52%；1,080 个 τ-Knowledge 银行研究片段中有 1,033 个已知结果，缺失结果使计划的确证性检验无法进行，银行任务对比仅具描述性。