这就是当前AI助手的通病：它们不会问问题。

当任务描述不完整、模糊甚至矛盾时，AI要么瞎猜一气，要么直接摆烂。它们缺乏一种对人类来说很基本的能力——知道自己不知道，并且敢于开口问。

2HiL-Bench：给AI的”求助能力”考试

这篇论文提出了一个开创性的基准测试——HiL-Bench（人在环基准测试），专门测试AI的”选择性升级”能力。

什么是”选择性升级”？简单说就是：知道什么时候该自己干，什么时候该问人类。

现有的基准测试有个盲区：它们提供明确详细的指令，只奖励执行正确性。结果是——瞎猜猜对的AI，和本该询问以确保正确的AI，得分完全一样。这显然不合理！

3Ask-F1：衡量”求助质量”的新指标

为了公平评估AI的求助能力，研究团队提出了一个新指标：Ask-F1。

Ask-F1的巧妙之处在于：它从架构上防止了”问题垃圾邮件”作弊。你不能通过疯狂提问来提高分数，因为问太多无关问题会拉低精确率。

4残酷真相：所有AI都是”社恐”

研究团队在SWE（软件工程）和text-to-SQL两个领域测试了多个前沿模型，结果令人沮丧：

😔 普遍存在的”判断差距”

没有一个前沿模型在决定何时询问时，能恢复到其完整信息性能的一小部分。换句话说：当AI不知道某些信息时，它们基本不会意识到要去问。

研究团队发现了三种典型的失败模式：

这些一致的模式证实了一个结论：糟糕的帮助寻求行为是模型级缺陷，而非任务特定的。

5希望：判断力是可以训练的！

虽然现状有点惨，但研究也带来了好消息：在Ask-F1奖励上训练，判断力是可以提升的！🎉

研究团队用32B模型进行了强化学习训练，结果显示：

• 帮助寻求质量显著提升
• 任务通过率也随之提高
• 改进效果能够跨领域迁移

6学长点评

这篇论文让我想起了职场中的一个经典场景：💼

老板布置任务：”把这个项目做一下。”
新人A：不问清楚就开始干，结果方向错了，白忙活一周。
新人B：马上列出问题清单：”项目目标是什么？ deadline什么时候？预算多少？”

显然，新人B更靠谱。但现在的AI助手，基本都是新人A的水平。

这项研究的意义在于：它首次系统性地量化了AI的”求助能力”，并证明这种能力是可以训练的。这对于构建更可靠、更值得信赖的AI系统至关重要。

想象一下，如果未来的AI助手能在遇到模糊指令时主动澄清，在发现信息缺失时及时询问，在检测到不确定性时寻求确认——那我们的交互体验会有多大提升？

当然，这也带来了一个有趣的哲学问题：AI应该有多”主动”？ 问太少是”社恐”，问太多是”话痨”。找到这个平衡点，可能是下一代AI助手的关键竞争力。

最后，作为一个经常和AI打交道的人，我只想说：求求你们，学会问问题吧！🙏

让学术变得有趣，让知识变得有用

本文由AI辅助生成，内容基于公开学术论文 | 2026年4月14日

AI的”不懂就问”挑战为什么你的AI助手不会主动求助？