ScopeBench оценивает, насколько ИИ-агенты способны соблюдать ограничения при выполнении задач по кибербезопасности. Бенчмарк включает 30 сценариев, где цель достижима только при нарушении установленных границ. Исследование показало разрыв между техническими возможностями моделей и их способностью следовать инструкциям.