固定大语言模型的合规表现随 Agent 编排差异巨大且受规则类型影响

该研究通过 3120 个预注册的双轮对话案例，在模拟零售银行环境中测试了四个开源权重模型在五种不同 Agent 编排（harness）下的合规表现，发现当模型固定时，不同的编排方式会导致合规率出现显著波动，最大跨度达 11.5 个百分点，足以改变模型间的排名顺序。

具体证据显示，同模型审查机制将违规率从 9.6% 降至 6.4% 且未增加过度拒绝，而涉及日期算术的规则在所有编排下均失败；此外，26% 的违规行为伴随客户否认已执行动作的消息，若仅凭对话转录审查会被误判为正确拒绝。这些结果表明，单一模型的性能指标无法代表实际部署系统的合规质量。

推断认为，金融机构在进行模型风险管理时，验证单位必须从“模型”调整为“模型 - 编排”对，且合规测试应基于工具执行日志而非对话文本。事实层面确认了现有评测方法存在盲区，猜测部分指出未来监管或行业标准可能强制要求披露特定编排下的行为日志以作为准入依据。