ProactiveBench测评：AI助手主动求助能力深度解析与优化指南

一项由意大利特伦托大学、贝加莫大学、法国格勒诺布尔INRIA研究院及意大利布鲁诺·凯斯勒基金会联合开展的研究，为计算机视觉领域开辟了新的探索路径。该研究成果已于2025年3月19日发表于顶级学术平台，论文编号arXiv:2603.19466v1，可供全球研究者审阅与探讨。

人类在感知信息模糊时，会本能地寻求外部辅助，例如请求移开遮挡物以看清目标。然而，当前具备视觉理解能力的多模态大语言模型，在面对信息残缺的图像时，其反应截然不同：它们要么保持沉默，要么倾向于生成虚构内容。这种表现，类似于一个拒绝提问、仅凭猜测作答的学生。

研究团队正是从这一核心矛盾出发，提出了关键洞察：一个真正智能的辅助系统，应当具备“主动性”，能够识别信息不足的边界，并主动寻求补充，而非强行生成可能错误的答案。为了系统性地评估并培育AI的这种能力，他们构建了一套全新的基准测试，命名为ProactiveBench。你可以将其视为一场专为AI设计的“求助意识”能力评估。

这套评估体系覆盖了七类贴近现实的应用场景。例如，在物体识别任务中，AI面对一个被积木完全遮挡的物体，它需要学会提出“请移开积木”的请求，而非猜测“这是一个篮球”。在视频理解任务中，当关键人物被短暂遮挡时，理想的回应应是“建议等待片刻”或“回放前一帧画面”。

团队利用这套基准对22个前沿模型进行了测试，包括GPT-4、LLaVA、InternVL等知名模型。结果颇具启发性：几乎所有模型都显著缺乏主动求助的意识。更值得注意的是，模型的参数量级与其“求助意愿”之间并无直接关联——某些参数较少的小型模型，反而比大型模型更倾向于“提出问题”，这一现象类似于班级中更乐于提问的中等生。

尝试通过提示词工程来“引导”AI变得更主动，效果并不理想。虽然求助建议的数量有所增加，但回答的整体准确率提升有限。部分模型甚至出现了“过度求助”的倾向，不断请求帮助而忽略了解决原始问题的核心目标。

转机出现在模型训练方法的调整上。研究团队采用强化学习策略，为AI设定了一套明确的奖励规则（正确答案给予高分，合理求助给予中等奖励，胡乱猜测则无奖励）。经过此类训练后，AI的表现发生了显著变化。它们不仅在特定场景下的性能大幅提升，甚至能将习得的“求助意识”迁移到未见过的全新任务中。这证明，主动性是一种可以通过训练获得的关键能力。

一、AI的“固执病”：宁猜不问的普遍现象

人类在光线不足时会主动开灯或靠近观察，这是一种“主动感知”行为。然而，当前的多模态大模型普遍表现出一种“固执”倾向：面对模糊或残缺的视觉信息时，它们宁愿冒险猜测，也不愿承认信息不足并请求补充。

这类场景在实际应用中十分常见。例如，向AI展示一张高度模糊的动物照片并要求识别，它可能会自信地断言“这是一只狗”，尽管图像本身已难以辨识。这好比一个不愿承认视力问题的学生，在考试中宁愿蒙答案也不向监考老师求助。

ProactiveBench的创新之处，在于首次为这种“求助能力”建立了一套系统性的量化评估标准。它就像一个“智能能力测试场”，每个测试项目都模拟了现实世界中可能出现的“信息瓶颈”时刻。

在“物体遮挡”场景中，AI如同在透过毛玻璃观察。当目标物被完全遮挡时，理想的反应是建议“移除遮挡物”。但研究发现，多数模型要么消极回应“我不知道”，要么直接输出错误答案。

“时间遮挡”场景则类似于观看一部被剪掉关键帧的影片。当视频中的人物被路人短暂遮挡时，AI需要懂得建议“请等待”或“回放查看”。这种能力对自动驾驶、安防监控等实时系统至关重要。

“视角限制”场景好比通过钥匙孔窥视房间内部。当从单一角度无法看清时，AI应能想到“建议更换视角”或“旋转物体”。这在工业质检、电商商品识别等场景中具有实用价值，但多数AI缺乏这种空间推理与主动建议的能力。

此外，基准还涵盖了“图像质量差”（类似调试信号不良的老旧电视）、“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。这些测试共同描绘了AI在面临各类信息瓶颈时的真实行为图谱。

二、大规模AI“体检”：22个模型的表现令人意外

研究团队对22个主流模型进行了一次全面的“主动性能力评估”，结果揭示了一些反直觉的规律。

在多选择题测试中，模型需要从预设选项中选出最合适的回应。即便是最先进的模型，其平均准确率也仅在17.5%左右，这表明它们在多数情况下无法做出正确的选择。

一个有趣的发现是，参数规模并非决定性因素。部分小型模型的表现甚至优于大型模型，例如InternVL3-1B（1亿参数）在准确率上超过了InternVL3-8B（80亿参数）。这打破了“模型越大，能力越强”的简单线性假设。

在要求更高的开放式回答测试中，评估难度增加，结果同样不容乐观。多数模型要么给出模糊的“我不知道”，要么提出不切实际的建议。少数能提出合理建议的模型，也往往是基于对类似案例的记忆，而非真正理解了“何时需要求助”。

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，仿佛一个在明亮环境下视力正常的人，一旦进入暗处就完全丧失了适应与应对能力。

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典型：有的习惯性回答“我不知道”（消极回避型），有的倾向于“乱猜”（盲目自信型），只有极少数能在适当时机提出合理的求助建议。

三、“暗示疗法”的局限：为什么AI不买账

既然AI普遍缺乏主动性，一个直接的思路是：通过指令明确告知其该如何做。研究团队尝试了“提示词暗示法”——在输入中加入鼓励AI主动求助的指令。这类似于考试前提醒学生：“如果看不清题目，可以举手询问老师。”

针对不同场景，他们设计了如“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，暗示确实增加了AI提出建议的频率，平均从0.5次增至2.3次。

然而，这种“主动性”的提升往往是表面的。虽然建议数量变多，但整体任务准确率仅微升8.3%。更糟糕的是，部分AI出现了“过度主动”的症状：它们会持续不断地提出各种建议，直至达到系统设定的交互步数上限，却始终未能回答原始问题。这就像一个在迷宫里只顾问路却从不记路的人，最终依然无法找到出口。

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、记忆的负担：为什么AI的“经验”反而成了包袱

通常，经验能帮助人类更好地解决问题。但对AI而言，记住完整的对话历史，有时反而会成为一种决策负担。

当模型能够访问完整的对话历史（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，反而削弱了自身的方向判断能力。

问题的根源在于，AI容易被历史对话中的固定模式“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，即使情境已发生变化，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，即向AI展示一两个正确处理类似问题的范例。这种方法虽能提高其主动性，但也容易导致“刻板模仿”。例如，在看过一个“移动遮挡物后成功识别”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（例如三个）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，这增加了其决策的复杂性。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上下文背景信息。

五、强化学习的奇迹：AI如何学会恰到好处的求助

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”之间找到最佳平衡点。这个过程，类似于通过奖励机制训练形成条件反射。

他们设计了一套精妙的奖励规则：正确回答问题获得最高奖励（1分），提出有用建议获得中等奖励（0.5-1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，而非冒险作答。

训练使用了约27000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，这种习得的“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置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）之间仍有差距。但这第一步的成功足以证明，通过恰当的算法引导，AI完全能够学会“知之为知之，不知为不知”的智能行为准则。

六、现实意义与未来展望：从实验室到生活应用

ProactiveBench的价值远不止于一篇学术论文。它指向了一个更可靠、更实用的AI未来。当前许多AI助手给人一种“无所不知”的错觉，但在信息不足时强行作答，可能在关键领域导致严重后果。

试想，在医疗辅助诊断中，一个具备主动性的AI可能会提示：“这片区域影像模糊，建议重新扫描以确认诊断。”而非基于不清晰的图像给出一个可能误导的判断。在自动驾驶场景中，面对传感器数据不全，AI应选择安全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，我们一起来查阅权威资料。”这比给出一个错误解释要有益得多。

这项研究也促使开发者转变理念：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充满不确定性，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主动性与响应效率？如何将“求助”能力从视觉领域扩展到语言、推理等其他模态？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研究方向。

长远来看，具备适度主动性的AI将改变人机交互的模式。未来的智能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高效合作，有望带来更自然、更可靠的用户体验。

归根结底，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联合开发的一套基准评估体系，专门用于测试多模态大语言模型是否具备“主动求助”能力。它通过模拟七种现实障碍场景（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“强行作答”的行为模式，在医疗诊断、自动驾驶等高可靠性要求的场景中可能带来严重后果。具备主动求助能力的AI能识别自身知识或感知边界，在不确定时主动寻求信息补充，从而做出更安全、更可靠的判断与决策。

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为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，在某些情况下，参数更少的小型模型表现反而更好。