ProactiveBench：AI助手主动求助机制研究

这项由意大利特伦托大学联合贝加莫大学、法国格勒诺布尔INRIA研究院以及意大利布鲁诺·凯斯勒基金会共同完成的研究，为计算机视觉领域带来了一个全新的视角。其成果已于2025年3月19日发表在顶级期刊上，论文编号为arXiv:2603.19466v1，可供学界深入查阅。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

人类在遇到信息模糊或不足的情况时，会本能地寻求帮助——例如，当视线被遮挡时，我们会请人移开障碍物。然而，当前具备视觉理解和对话能力的多模态大语言模型，在面对信息不完整的图像时，表现却截然不同：它们要么保持沉默，要么倾向于“胡编乱造”。这就像一个固执的学生，宁愿猜测也不愿主动提问。

研究团队正是从这一反差中发现了关键问题：一个真正智能的AI助手，应当具备“主动性”，能够识别自身知识的边界，并在信息不足时主动寻求补充，而不是强行给出可能错误的答案。为了系统地衡量和培养AI的这种能力，他们构建了一套全新的评估体系，命名为ProactiveBench。你可以将其视为一场专为AI设计的“求助能力评估”。

这套“评估”涵盖了七类贴近现实的场景。例如，在物体识别任务中，AI看到的图像中目标物体被完全遮挡，它需要学会提出“请移开遮挡物”的建议，而不是猜测“这是一个篮球”。在视频理解场景中，当关键人物被路人短暂遮挡时，理想的回应应该是“建议稍等片刻”或“回放前一帧画面”。

团队利用这套评估标准测试了22个当前最先进的多模态模型，包括GPT-4、LLaVA、InternVL等知名模型。结果有些出人意料：几乎所有模型都严重缺乏主动求助的意识。更有趣的是，模型参数规模的大小与其“求助意愿”之间并无必然联系——有时，参数较少的小模型反而比大模型更愿意“开口提问”，这类似于班级中更乐于请教老师的中等生。

尝试通过提示词来“引导”AI变得更主动，效果也并不理想。虽然AI提出求助建议的频率有所增加，但回答的整体准确率提升微乎其微。有些模型甚至变得“过度主动”，不断地请求帮助，反而忘记了最初需要解决的核心问题。

转机出现在模型训练阶段。当研究团队采用强化学习方法，并为AI设定一套明确的奖励规则（正确回答问题给予高分，合理提出求助给予中等奖励，胡乱猜测则没有奖励）后，情况发生了显著变化。经过这种训练的AI，不仅在特定场景下的表现大幅提升，甚至能将这种“求助意识”迁移到从未见过的新任务中。这表明，主动性是一种可以通过训练获得的能力。

一、AI的“固执”倾向：普遍存在的“宁猜不问”现象

人类在光线昏暗时想看清物体，第一反应是开灯或走近观察，这被称为“主动感知”。但当前的多模态大模型却普遍表现出一种“固执”倾向：面对模糊或不完整的视觉信息时，它们往往选择冒险猜测，而不是承认自己需要更多信息。

这类场景在现实应用中十分常见。例如，当你给AI展示一张高度模糊的动物照片并询问它是什么时，它可能会信心十足地回答“这是一只狗”，即使那团像素连人类都难以分辨。这好比一个不愿承认视力不佳的学生，在考试时宁愿蒙答案也不举手向老师求助。

ProactiveBench的创新之处，在于首次系统性地为AI的“求助能力”设计了一套考评标准。它就像一个“智能测试平台”，每个任务都模拟了现实世界中那些“信息不足”的关键时刻。

在“物体遮挡”场景中，AI如同在透过毛玻璃看风景。当目标被完全挡住时，理想的反应是建议“移开遮挡物”。但研究发现，大多数模型要么消极回应“我不知道”，要么就直接给出错误答案。

“时间遮挡”场景则像观看一部被剪掉了关键帧的电影。当视频中的人物被路人暂时挡住时，AI需要懂得建议“请稍等”或“回看一下之前的内容”。这种能力对于自动驾驶、安防监控等领域至关重要。

“视角限制”场景好比通过钥匙孔窥视房间。当从一个角度无法看清时，AI应该能想到“换个角度观察”或“旋转物体”。这在工业质检、商品识别等场景中非常实用，但多数AI缺乏这种空间推理和主动建议的能力。

此外，评估体系还包括“图像质量差”（类似调试老旧电视画面）、“草图不完整”（类似“你画我猜”游戏）、“时间信息缺失”（如同观看无字幕的外语片段）以及“视野受限”（如同透过门缝观察）等场景。这些测试共同勾勒出AI在面临信息瓶颈时的真实反应图谱。

二、大规模模型评估：22个主流AI的表现分析

研究团队对22个主流多模态模型进行了一次全面的“主动性评估”，结果揭示了一些反直觉的现象。

在多选择题测试中，模型需要从预设选项中挑选出最合适的回应。即便对于最先进的模型，其平均准确率也仅在17.5%左右，这意味着它们在大多数情况下都无法做出正确选择。

一个有趣的发现是，参数规模并非决定因素。一些小模型的表现甚至超过了大模型，例如InternVL3-1B（10亿参数）在准确率上竟优于InternVL3-8B（80亿参数）。这打破了“模型越大越智能”的简单假设。

在更自由的开放式回答测试中，评估难度增加，结果同样不乐观。多数模型要么给出模糊的“我不知道”，要么提出一些不切实际的建议。少数能提出合理建议的模型，也往往是依靠记忆类似的例子，而非真正理解了“何时该求助”。

对比数据更具说服力：当图像清晰完整时，这些模型的平均识别准确率可达79.8%；但当图像存在问题、需要主动求助才能解决时，准确率骤降至17.5%。这巨大的落差，仿佛一个在阳光下视力正常的人，一到暗处就完全丧失了适应能力。

不同任务类型的难度差异也很明显。在物体完全被遮挡的任务中，AI表现最差（准确率仅8.2%），而在时间信息缺失任务中相对较好。模型的行为模式也分化为几种：有的习惯性回答“我不知道”（消极回避），有的喜欢“乱猜”（盲目自信），只有极少数能在适当时候提出合理的求助建议。

三、提示引导的局限性：为何简单暗示效果不佳

既然AI普遍缺乏主动性，一个直观的想法是：直接通过指令告诉它该怎么做。研究团队尝试了“提示引导”方法——在输入中加入特定的提示词，鼓励AI主动求助。这就像考试前提醒学生：“如果看不清题目，可以举手问老师。”

针对不同场景，他们设计了诸如“移动遮挡物可能会显示后面内容”、“旋转物体可能提供更清晰视角”等提示词。实验表明，提示确实增加了AI提出建议的频率，平均从0.5次增至2.3次。

然而，这种“主动”往往是表面的。虽然建议变多了，但整体任务准确率仅微升8.3%。更糟糕的是，一些AI出现了“过度主动”的症状：它们会不停地提出各种建议，直到触及系统设定的交互步数上限，却始终没有回答原始问题。这就像一个在迷宫里只顾问路却从不记路的人，最终依然找不到出口。

深入分析发现，AI对提示词的反应是机械的。当研究人员用随机、无意义的建议替换有效建议时，一些看似“主动”的模型依然会选择它们。这说明它们并未真正理解“为何需要求助”，只是学会了一种表面的行为模式。此外，提示词的效果因模型而异，有的模型对提示高度敏感，有的则几乎无动于衷。

四、历史记忆的负担：为何经验有时成为阻碍

通常，经验能帮助人类更好地解决问题。但对AI而言，记住过去的对话历史，有时反而会成为一种负担。

当模型能够看到完整的对话历史（包括之前的问题、回答和建议）时，它们的平均准确率反而下降了7%，而主动建议的频率却从0.5次增加到了1.8次。这类似于一个人过度依赖GPS导航，反而削弱了自己判断方向的能力。

问题的根源在于，AI容易被历史对话中的模式“带偏”。如果它在对话早期提出过求助建议，那么在后续交互中，即使情况已经改变，它仍可能机械地重复这一行为。在12.9%的案例中，AI甚至会陷入“求助循环”，不断提出建议却永不给出最终答案。

研究还测试了“示例学习”的效果，即给AI展示一两个正确处理类似问题的例子。这种方法虽然能提高其提出建议的主动性，但也容易导致“刻板模仿”。例如，在看过一个“移动遮挡物成功识别”的例子后，AI在面对所有问题时都倾向于建议“移动遮挡物”，哪怕问题的根源其实是图像模糊或视角不对。

值得注意的是，提供更多示例（比如三个）有时效果反而更差，因为AI需要在多个可能冲突的模式中做出选择，增加了决策的复杂性。这些发现揭示了当前AI处理序列信息的一个根本局限：它们往往将历史对话视为需要重复的模式，而非用以优化当前决策的背景信息。

五、强化学习的突破：AI如何学会恰当地求助

当传统方法效果有限时，研究团队转向了更根本的解决方案：通过强化学习，让AI从零开始学会在“自信回答”与“谨慎求助”之间找到平衡。这个过程，很像用奖励机制训练智能体形成条件反射。

他们设计了一套精妙的奖励规则：正确回答问题奖励最高（+1分），提出有用建议奖励中等（+0.5至1分），而胡乱猜测或无效回应则没有奖励。这套规则鼓励AI在不确定时选择求助，而非冒险给出错误答案。

训练使用了约27,000个样本，涵盖草图识别和相机移动两类任务，以兼顾抽象与具体的视觉挑战。结果令人振奋：以原本表现较差的LLaVA-NeXT-Mistral-7B模型为例，经过训练后，其在需要求助场景下的平均准确率从4.5%大幅跃升至40.4%，提升近9倍。

更可贵的是，这种学到的“求助意识”展现出了良好的泛化能力。即使在训练中从未接触过的时间遮挡或图像质量问题上，模型也能表现出合理的主动行为。这就像学会了骑自行车的人，更容易掌握骑电动车的平衡技巧。

奖励权重的设置是关键。研究发现，如果将求助建议的奖励设得与正确答案一样高，AI会变得过度依赖求助，反而不敢进行独立判断。只有当求助奖励略低于正确答案奖励时，AI才能找到那个微妙的平衡点。

当然，即便经过训练，AI在需要求助场景下的表现（约40%准确率）与面对清晰图像时的表现（约75%准确率）仍有差距。但这第一步的成功足以证明，通过恰当的引导和训练，AI完全能够学会“知之为知之，不知为不知”的智能行为。

六、现实意义与未来展望：从实验室到实际应用

ProactiveBench的价值远不止于学术论文。它指向了一个更可靠、更实用的AI未来发展方向。当前许多AI助手给人一种“无所不知”的错觉，但在信息不足时硬撑作答，可能在医疗、驾驶等关键领域酿成严重后果。

试想，在医疗影像辅助诊断中，一个具备主动性的AI可能会说：“这片区域影像模糊，建议重新扫描以确认。”而非基于不清晰的图像给出一个可能误导的诊断提示。在自动驾驶场景，面对传感器数据不全或模糊时，AI应选择减速或请求人工接管，而非强行决策。

在教育领域，懂得求助的AI辅导系统能更好地引导学生。当遇到超出其知识范围的问题时，它可以坦诚建议：“这个问题很有深度，我们一起来查查资料。”这比给出一个错误解释要有益得多。

这项研究也促使AI开发者转变理念：从一味追求模型的“全能”，转向培养AI的“知识边界意识”。现实世界的问题往往没有标准答案，评估AI如何应对未知，与评估它解决已知问题的能力同等重要。

当然，挑战依然存在。如何在具体应用中平衡AI的主动性与决策效率？如何将“求助”能力从视觉领域扩展到语言理解、逻辑推理等其他维度？强化学习训练所需的巨大计算资源如何优化？以及，如何防止这种能力被恶意利用？这些都是未来需要攻克的问题。

长远来看，具备适度主动性的AI将改变人机交互的模式。未来的AI助手或许不再是被动应答的工具，而是能主动识别信息缺口、寻求澄清、提出建议的协作伙伴。这种交互模式更接近人与人之间的合作，有望带来更自然、高效的用户体验。

说到底，ProactiveBench所倡导的，是对智能本质的更深层理解。真正的智能不仅在于知道什么，更在于知道自己不知道什么。一个懂得在适当时候说“我需要更多信息”的AI，或许比一个假装无所不知的AI，更加可靠，也更为智能。

Q&A

Q1：ProactiveBench是什么？
A：它是由特伦托大学等机构开发的一套评估体系，专门用于测试多模态大语言模型是否具备“主动求助”能力。它通过七种模拟现实障碍的场景（如物体被遮挡、图像模糊等），检验AI是会建议获取更多信息，还是选择沉默或胡乱猜测。

Q2：为什么AI需要学会主动求助？
A：因为当前AI在信息不足时“硬撑作答”的行为，在医疗诊断、自动驾驶等高风险场景中可能带来严重后果。具备主动求助能力的AI能识别自身知识边界，在不确定时寻求补充信息，从而做出更安全、可靠的判断和决策。

Q3：研究发现的AI主动性问题有多严重？
A：测试结果显示，22个先进模型的平均准确率仅17.5%，绝大多数模型无法正确处理需要额外信息的情况。一个反直觉的发现是，模型大小与主动性能力并无必然联系，有时参数更少的小模型表现反而更好。