KierstonBench 模拟全城监控查案，前沿模型较可靠但仍易受骗

Kierston & KierstonBench 构建宾州 Allentown 的城市级模拟环境，以关联监控记录测试 LLM 的刑事侦查与监控任务。评测显示，只有前沿模型能较可靠地串联分散记录、推进案件调查，但所有模型仍容易受到欺骗手段影响。该基准为量化 LLM 在执法与监控场景中的能力和脆弱性提供了可复现参照。