据介绍，ASSERT能够从产品需求、政策文件或系统提示等文本出发，自动生成测试场景、数据集、评估指标和计分卡，并针对目标模型、应用或智能体运行测试。该框架建立在这样一个前提之上：行为规范本身应当成为评估的核心输入，而非仅仅作为背景参考。ASSERT将这一过程系统化为四个阶段：首先，将宽泛的行为描述细化为明确的概念规范，进而转换为可编辑的许可与不许可行为分类体系；随后，基于开发者指定的维度（如任务类型、角色、工具可用性等）生成分层测试用例，涵盖单轮提示、多轮场景以及善意交互和对抗性探测；接着，对目标系统运行这些用例并记录完整轨迹，包括工具调用、中间决策等；最后，对照行为分类和策略立场对每个轨迹进行评分，输出通过与否标签、判断理由、策略引用以及作出该裁决的具体回合或动作。为了验证ASSERT的有效性，微软团队开展了两项覆盖率研究和人工评审对比。第一项覆盖率研究显示，相比直接从意图生成的评估集，ASSERT在多项行为（亚汇网注：如社会评分、拍马屁行为、任务遵循、工具使用规范、不安全健康建议）上生成的测试集覆盖更广，暴露出更多值得检查的案例，区分强弱系统的能力更强，同时显现出更多独特的失败模式。第二项验证通过对比LLM判定器与人工审核，显示两者一致率通常在80%–90%，而人工标注者之间一致率约为90%，表明LLM判定器能够捕捉大部分目标信号，但在策略细微差别或高度专业领域仍需谨慎。微软指出，ASSERT最适用于行为定义明确、约束清晰的场景。丰富的工具、政策和边界描述有助于生成更精确的测试用例。开发者不应将汇总评分视为最终结论，更多情况下，收集的失败案例和操作轨迹对改进系统和评估方法更有价值。ASSERT并不能替代人工判断、遥测数据或领域专家评审，而应将其作为使评估更快速、更明确和更易于迭代的一种方式。参考资料：代码库：项目网站：实例：广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，亚汇网所有文章均包含本声明。
风险提示
外汇交易涉及高风险，可能不适合所有投资者。杠杆交易可能导致快速亏损，请确保您完全理解相关风险。过往表现不代表未来结果。
本分析仅供参考，不构成投资建议。投资者应根据自身情况做出独立判断，并承担相应风险。