在过去几天聚焦于编码循环中的可执行反馈之后，今天的证据拓宽了控制面。新的基准测试智能体处理不完整的产品意图和混合型办公任务；可靠性机制则在预先定义的检查点交付记忆、逻辑推理和审查。结果仍处于早期阶段：几项研究缺乏广泛的量化比较，其中一个工作流虽然提升了可审计性，但成本显著增加。
ICAE-Bench 测试智能体能否澄清不完整的需求并构建代码仓库，而不是解决一个规格完整的编辑任务。其 480 个任务覆盖 12 种语言；在两个 harness 中评测的六个模型仍难以处理隐藏约束、边界情况和长周期集成。
Tencent WorkBuddy Bench 将评测扩展到代码、网页、办公和安全工作。其 260 个任务经过逆向工程和重写，以减少通过网页搜索找回答案的可能性，随后随环境和验证器一同发布，以支持可审计性。由于每个领域采用不同的验证方法，该套件有意不提供单一的聚合分数。总体而言，这些基准表明，任务构造和评估器设计本身就是能力主张的一部分，而不是背景实现细节。
三个系统将关键控制置于模型的自愿行为之外。以线索为锚点的工作记忆会在文件、符号或生命周期事件触发时注入限定范围的事实；在最强的自愿控制条件下，智能体在 114 个回合中没有发起任何记忆调用，而 harness 的交付机制经受住了反复的上下文压缩。Euclid-MCP 将规则推导委托给 Prolog 并返回证明轨迹，但其报告的性能优势缺乏数值基线结果支持。
对于经济理论，pAI-Econ-claude 在不存在自动判定器的环节使用可检查的中间记录、针对性检查门和人工检查点。盲评者在五个匹配任务中有四个更偏好该工作流，但其使用量是基线限额的 4.6 至 18 倍。共同结论是有限的：强制交付和显式检查门提升了可追溯性并有助于拦截错误，但尚不足以证明其能够以低成本实现普遍正确性。