Sauron：面向长链路智能体任务的证据先行判官

论文提出 Sauron，一种证据先行的智能体判官，先独立验证环境状态和执行轨迹中的证据再下结论，每个裁决附带审计收据。在 2,586 条人工标注准则上使用 GPT-5.6 Sol 取得 0.96 F1，比 Gandalf 高 0.04 同时成本低 23%；在 13 类故障注入套件上检出 97%、误报仅 2%；在 TRAIL 基准上也超过 Gandalf 与其内置判官。