CLASHarness：通过可控和可验证的生成流程评估计算机使用中的多智能体冲突

CLASHarness 引入一个可控框架，用于生成可验证的多智能体计算机使用冲突，揭示前沿视觉语言模型在验证真实情况、解决冲突和协调共享资源方面存在困难。该框架通过分层场景规划和八步验证微流程，确保每个任务都是可解决的。在 CLASHarness 上评估了 15 个前沿模型，发现三个核心瓶颈：模型对误导信息的盲目跟随、解决冲突的难度以及协调协议的局限性。