SkillLifeBench: «задача выполнена» не значит «всё прошло безопасно». Нужно проверять эффекты отдельно

Агенты выполнили задачу в 651 из 840 запусков с подвохом, и в 103 из них заодно сработала атака. Отчёт при этом выглядел чистым. Подход из SkillLifeBench позволяет ловить скрытый вред: сверять каждое действие агента со списком разрешённого и оценивать результат по двум осям отдельно. Первая ось: сделал ли работу. Вторая: сделал ли лишнее (отправил данные не туда, изменил чужое). Успех засчитывается только если «задача выполнена» И «вне границ ничего не было». Фишка в том, что в 78 из 139 успешных атак агент выбрал правильную версию скила, а запустилась другая. Сам агент правил не нарушал.