2026-08-05AIScrambleToolBench：智能体手里有正确的旧地图，却选择挨家挨户敲门工具名被打乱后前沿模型仍能试探出行为，但中途置换四分之一标识符就让完成率从 93% 掉到 32%，三种扰动叠加更是掉到 3%——不是遗忘，是拒绝用旧地图做演绎。agentllmbenchmarkreasoning