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研究院和意大利布鲁诺·凯斯勒基金会共同完成的研究，发表于2025年3月19日的计算机视觉领域顶级期刊，论文编号为arXiv:2603.19466v1。有兴趣深入了解的读者可以通过该编号查询完整论文。
人类在面对模糊不清的情况时，会本能地寻求帮助。比如当你试图辨认被遮挡的物体时，会自然地请求别人移开遮挡物。但现在的AI多模态大语言模型（就是那些既能看图又能聊天的AI助手）面对看不清的图像时，要么选择沉默，要么干脆胡编一个答案。这种行为就像一个固执的学生，宁愿瞎猜也不愿承认自己需要帮助。
研究团队意识到，真正智能的AI助手应该像人类一样具备"主动性"——知道什么时候该寻求额外的信息，而不是盲目猜测。为了测试和培养AI的这种能力，他们创建了一个名为ProactiveBench的全新评估体系，就像为AI设计了一套"求助能力考试"。
这个评估体系包含了七种不同的场景，每种场景都像是为AI设置的一个小考验。比如在物体识别测试中，AI面对被蓝色积木完全遮挡的神秘物体，它需要学会说"请把积木移开"，而不是随便猜测"这是一个篮球"。在视频理解测试中，当关键人物被路人遮挡时，AI应该建议"等一下让遮挡消失"或"倒回去看看"。
研究团队测试了22个当前最先进的AI模型，包括GPT-4、LLaVA、InternVL等知名系统。结果令人意外：几乎所有模型都缺乏主动求助的能力。更有趣的是，模型的大小和主动性之间没有明显关系——有时小模型反而比大模型更愿意寻求帮助，这就像班里的学霸反而不愿意问老师问题一样。
当研究人员尝试通过提示词"暗示"AI要主动一些时，效果并不理想。虽然AI确实开始提出更多建议，但准确率提升微乎其微，有时甚至会变得过于"主动"，不停地要求帮助而忘记了最终目标。
令人惊喜的是，研究团队发现AI的主动性是可以通过训练学会的。他们使用强化学习方法，就像训练宠物一样给AI设置奖励机制：正确回答问题奖励最高，提出合理的求助建议奖励适中，胡编乱造则没有奖励。经过这种训练的AI不仅在训练场景中表现更好，还能将学到的主动性转移到全新的场景中。
一、AI的"固执病"：宁猜不问的普遍现象
当人们在昏暗的房间里试图辨认远处的物体时，第一反应通常是开灯或走近一些。这种行为在认知科学中被称为"主动感知"，是人类智能的重要特征。然而，当前的AI多模态大语言模型却患上了一种"固执病"——面对模糊不清的视觉信息时，它们宁愿瞎猜也不愿承认需要更多信息。
这种现象在日常AI应用中比比皆是。当你给AI展示一张模糊的照片询问"这是什么动物"时，AI可能会自信地回答"这是一只狗"，即使图像质量差到连人类都难以辨认。这种行为类似于一个不愿承认视力不好的学生，总是在考试中随便填写看不清的题目，而不是举手询问监考老师。
ProactiveBench的创新之处在于，它首次系统性地评估了AI模型的主动求助能力。这个评估体系就像一个精心设计的"智能测试游乐园"，每个测试项目都模拟了现实生活中需要额外信息才能做出正确判断的场景。
在物体遮挡场景中，AI面对的挑战类似于透过毛玻璃窗看外面的风景。当蓝色积木完全遮住了目标物体时，理想的AI应该像人类一样建议"移开遮挡物"，而不是基于有限的视觉线索进行猜测。研究发现，大多数AI模型在这种情况下要么选择"我不知道"这样的消极回应，要么直接给出错误的答案。
时间遮挡场景则更像是观看一部被剪辑掉关键镜头的电影。当视频中的关键人物被路人暂时遮挡时，AI需要学会建议"等一下"或"回放之前的画面"。这种能力对于视频监控、自动驾驶等应用场景至关重要，因为在这些领域中，获取完整信息比快速猜测更为重要。
视角限制场景就像试图通过钥匙孔窥视房间内的情况。当物体从某个角度看不清楚时，AI应该建议"换个角度看"或"旋转物体"。这种场景在电商产品识别、工业质检等领域经常出现，但大多数AI模型缺乏这种空间推理和主动建议能力。
图像质量问题场景类似于调试老旧电视机的画面。当图像因为噪声、模糊或其他质量问题而难以识别时，AI应该能够识别问题的根源并建议相应的解决方案，比如"去模糊"、"增强对比度"或"降噪处理"。
草图补全场景就像猜谜游戏中的"你画我猜"。当只有寥寥几笔的简单线条时，AI需要判断这些信息是否足够做出准确判断，如果不够，就应该要求"添加更多细节"而不是匆忙猜测。
时间信息缺失场景类似于观看没有字幕的外语电影片段。当视频的开头或结尾部分缺失时，AI需要能够识别这种情况并建议查看完整的时间序列。
最后，视野限制场景就像透过门缝观察房间。当图像被裁剪得只显示物体的一小部分时，AI应该建议"扩大视野"或"显示完整画面"，而不是基于片面信息进行判断。
二、大规模AI"体检"：22个模型的表现令人意外
研究团队对这22个AI模型进行了一次全面的"主动性体检"，测试结果就像揭开了AI世界的一个重要秘密。整个测试过程类似于医院的全科体检，每个模型都要接受多个项目的检查，最终形成一份详细的"健康报告"。
在多选题测试环节，AI模型需要从预设的选项中选择最合适的回应。这种设置就像标准化考试，每道题都有明确的正确答案和几个干扰选项。结果显示，即使是最先进的模型，平均准确率也只有17.5%左右，这意味着大多数时候AI都无法做出正确的选择。
更令人意外的是，模型大小与主动性表现之间没有明显的正相关关系。一些参数较少的小模型反而表现得比大模型更加主动。比如InternVL3-1B（1亿参数）在准确率上竟然超过了InternVL3-8B（80亿参数）。这种现象就像发现班里的中等生有时比学霸更愿意主动请教老师一样令人意外。
在开放式回答测试中，AI模型可以自由表达自己的想法，不受预设选项限制。这种测试更接近真实的应用场景，但评估难度也相应增加。研究团队使用了另一个AI模型作为"评判员"来评估答案的质量，这种方法类似于请专业老师批改作文。
结果显示，即使在更灵活的开放式测试中，大多数模型的表现依然不佳。它们要么给出模糊的"我不知道"回应，要么提出一些不切实际的建议。少数能够提出合理建议的模型，往往是因为它们在训练过程中见过类似的例子，而不是真正理解了主动求助的概念。
通过对比测试，研究团队还发现了一个有趣现象：当给AI展示完整、清晰的图像时，它们的识别准确率平均可以达到79.8%。但当图像存在各种问题需要主动求助时，准确率骤降到17.5%。这个巨大的差距就像一个人在光线充足时视力正常，但在昏暗环境中却完全失去了适应能力。
不同类型的任务呈现出不同的难度特点。在物体遮挡任务中，AI模型的表现最差，准确率只有8.2%，而参考答案的准确率高达98.3%。这意味着当视觉信息被完全遮挡时，AI几乎完全失去了判断能力。相比之下，在时间信息缺失任务中，AI的表现相对较好，但依然远低于人类水平。
研究团队还深入分析了不同模型的"行为模式"。一些模型倾向于频繁使用"我不知道"这样的消极回应，这虽然避免了错误猜测，但也没有提供任何有用的信息。另一些模型则喜欢"乱猜"，即使面对完全看不清的图像也要给出一个答案。只有极少数模型能够在适当的时候提出合理的求助建议。
这种行为差异就像不同性格的学生面对难题时的反应：有些学生遇到不会的题就空着不答，有些学生喜欢瞎蒙一个答案碰运气，而真正优秀的学生则会分析题目难点并寻求适当的帮助。
三、"暗示疗法"的局限：为什么AI不买账
既然AI模型普遍缺乏主动性，研究团队尝试了一种"暗示疗法"——在输入信息中添加提示词，鼓励AI更加主动地寻求帮助。这种方法就像在考试前告诉学生"遇到看不清的题可以举手询问"，期望能够改善他们的求助行为。
针对不同的测试场景，研究团队设计了相应的提示词。比如在物体遮挡场景中，提示词是"移动遮挡物可能会显示后面的内容"；在视角限制场景中，提示词是"旋转物体可能会提供更清晰的视角"。这些提示就像给迷路的人指路标，告诉他们可能的解决方向。
实验结果显示，暗示确实能够增加AI提出求助建议的频率。平均而言，加入提示词后，AI的主动建议数量从0.5次增加到2.3次。这种变化就像一个原本沉默寡言的学生开始愿意举手发言了。
然而，这种改善并非完全积极。虽然AI变得更加"主动"，但它们的准确率并没有显著提升，平均只增加了8.3%。更令人担忧的是，有些AI开始表现出"过度主动"的行为，不停地提出各种建议却忘记了最终目标。这就像一个学生变得过分依赖老师的帮助，每遇到一点困难就举手求助，最终失去了独立思考的能力。
在16%的测试案例中，AI会盲目地选择主动建议选项，一路寻求帮助直到达到系统设置的最大步数限制，却从未真正尝试回答原始问题。这种行为类似于一个人在迷宫中只顾问路而不记住路线，最终还是无法到达目的地。
研究团队还发现，不同类型的提示词效果差异很大。一些简单直观的提示（如"改善图像质量"）能够带来明显改善，而涉及复杂推理的提示（如"改变相机角度"）则效果有限。这种差异反映了当前AI模型在理解复杂指令方面的局限性。
更深入的分析显示，AI的"主动性"往往是表面的。当研究人员用无意义的随机建议替换有效建议时，一些看似"主动"的模型依然会选择这些无用建议。这表明这些AI并非真正理解什么时候需要寻求帮助，而只是学会了一种表面的行为模式。这种现象就像学生背诵了标准答案却不理解其中的道理，一旦题目稍有变化就会暴露问题。
另一个有趣的发现是，提示词的作用因模型而异。一些模型对提示词高度敏感，行为模式会发生剧烈变化；而另一些模型则相对稳定，提示词的影响微乎其微。这种差异可能反映了不同模型在训练过程中形成的不同"性格"特征。
四、记忆的负担：为什么AI的"经验"反而成了包袱
人类在学习过程中通常受益于过往经验，但研究发现，对于AI模型来说，"记住"之前的交互历史反而可能成为负担。这个现象就像一个学生因为记住了错误的解题方法而在后续题目中重复犯错。
当AI模型能够"看到"整个对话历史时，包括之前的问题、回答和建议，它们的表现令人意外地下降了。平均准确率下降了7%，但主动建议的频率却从0.5次增加到1.8次。这种现象类似于一个人因为过分依赖GPS导航而逐渐失去了自主判断方向的能力。
更深层的分析揭示了问题的根源：AI模型容易被对话历史中的主动建议"带偏"。如果在对话的早期阶段模型提出了求助建议，它很可能在后续的交互中继续重复这种行为，即使当时的情况已经发生了变化。这就像一个学生在第一次遇到难题时请教了老师，然后就养成了依赖老师的习惯，即使面对能够独立解决的简单问题也要寻求帮助。
在12.9%的案例中，AI会陷入一种"求助循环"，不停地提出各种建议直到达到系统限制，却从未尝试给出最终答案。这种行为模式就像陷入了一个没有出口的思维循环，明明已经获得了足够的信息却还是不敢做出判断。
研究团队还测试了"样本学习"的效果，即向AI展示一到三个正确处理类似问题的例子。结果显示，这种方法确实能提高AI的主动性，但也带来了新的问题。AI有时会过分模仿示例，即使面对不同类型的问题也会套用相同的模式。
在物体识别任务中，当给AI展示了一个通过移动遮挡物成功识别目标的例子后，它在后续的所有测试中都倾向于建议移动遮挡物，即使问题的根源可能是图像质量或视角问题。这种"刻板印象"就像学会了一种解题方法的学生，无论遇到什么类型的题目都尝试用同一种方法解决。
特别值得注意的是，样本数量的增加并不总是带来更好的效果。使用三个示例比使用一个示例的效果有时更差，因为AI需要在多个可能相互冲突的模式中做选择，这增加了决策的复杂性。这种现象类似于给学生提供了过多的参考资料，反而让他们无法专注于核心问题。
这些发现揭示了当前AI模型在处理序列信息方面的根本局限。它们往往将对话历史视为需要重复的模式，而不是用于改善当前决策的背景信息。这种处理方式就像只会照搬食谱而不能根据实际情况调整的厨师，无法应对变化的环境和需求。
五、强化学习的奇迹：AI如何学会恰到好处的求助
面对传统方法的局限性，研究团队转向了一种更加根本的解决方案：通过强化学习让AI从零开始学会什么时候该求助，什么时候该直接回答。这个过程就像训练一只宠物，通过奖励和惩罚机制塑造其行为模式。
强化学习的核心思想类似于游戏中的积分系统。研究团队为AI设计了一套精心调节的奖励机制：正确回答问题获得最高奖励1分，提出有用的求助建议获得中等奖励（0.5到1分不等），而胡编乱造或无意义的回应则得不到任何奖励。这种设计鼓励AI在有把握时直接回答，在不确定时寻求帮助，而不是随便猜测。
训练过程使用了大约27000个样本，其中17000个来自草图识别任务，其余来自相机移动任务。选择这两种任务是因为它们代表了抽象和具体两种不同类型的视觉理解挑战。这种多样化的训练就像让学生练习不同类型的题目，培养更全面的应对能力。
训练结果令人惊喜。以表现最差的LLaVA-NeXT-Mistral-7B模型为例，经过强化学习训练后，它的平均准确率从4.5%跃升至40.4%，提升幅度接近9倍。这种改善就像一个原本考试不及格的学生经过针对性训练后成绩大幅提升。
更令人兴奋的是，AI学到的主动性能够很好地迁移到未见过的场景中。即使在训练中从未接触过的时间遮挡或图像质量问题场景中，经过训练的模型也表现出了合理的主动行为。这种泛化能力类似于学会骑自行车的人很容易掌握骑摩托车，体现了底层技能的可转移性。
奖励权重的选择对训练效果有显著影响。当求助建议的奖励过高（等于正确答案的奖励）时，AI会变得过分依赖求助，很少直接给出答案。这种情况下的准确率反而会下降，因为AI失去了独立判断的信心。相反，当求助建议的奖励设置得略低于正确答案时，AI能够找到一个更好的平衡点。
训练过程还揭示了不同模型的学习特性。较小的模型（如3B参数的Qwen2.5-VL）在训练后表现更加稳定，而较大的模型有时会出现过度学习的现象。这种差异可能反映了不同规模模型在适应新行为模式方面的不同能力。
值得注意的是，即使经过训练，AI的表现仍然明显低于使用完整清晰图像时的水平。比如在最好的情况下，训练后的模型准确率约为40%，而使用参考图像时的准确率可达75%。这个差距提醒我们，让AI学会适当的主动性只是解决问题的第一步，还有很大的改进空间。
训练的成功也带来了新的思考。如果AI能够学会在视觉任务中寻求帮助，那么这种能力是否也能扩展到其他领域？比如在复杂的推理任务中，AI是否也能学会识别自己的知识边界并寻求补充信息？这些问题为未来的研究开辟了广阔的空间。
六、现实意义与未来展望：从实验室到生活应用
ProactiveBench的研究成果不仅仅是学术界的一次理论突破，更为AI技术的实际应用指明了新的发展方向。当前的AI助手往往给人一种"什么都知道"的错觉，但实际上它们经常在不确定的情况下给出错误信息。这种行为在某些应用场景中可能带来严重后果。
在医疗诊断辅助系统中，一个具备主动性的AI可能会说"图像质量不够清晰，建议重新拍摄"，而不是基于模糊的影像给出可能误导医生的判断。这种审慎的态度可能挽救生命。同样，在自动驾驶系统中，面对传感器数据不足的情况，AI应该选择减速或请求人工接管，而不是冒险做出可能错误的决策。
教育领域也能从这项研究中获益良多。一个懂得适时求助的AI辅导系统能够更好地引导学生学习。当遇到学生的问题超出其知识范围时，它可以建议"这个问题很有深度，我们一起查阅更多资料"，而不是给出可能错误的解释。这种诚实的态度有助于培养学生的批判思维和独立学习能力。
在客服和咨询服务中，具备主动性的AI能够大大提升用户体验。当面对复杂或模糊的用户询问时，AI可以主动要求澄清，比如"您能提供更多关于这个问题的细节吗？"这种互动方式比直接给出可能不相关的答案更加有效。
研究还揭示了AI开发中的一个重要理念转变：从追求"无所不能"到培养"知识边界意识"。传统的AI评估往往关注模型在已知测试集上的表现，而ProactiveBench提醒我们也要关注AI在面对未知情况时的行为。这种评估方式更接近真实世界的挑战，因为现实中的问题往往没有标准答案。
然而，这项研究也面临一些挑战和局限。首先，如何在现实应用中平衡AI的主动性和效率是一个复杂问题。过于频繁的求助可能会影响用户体验，而过于保守的策略又可能错失提供帮助的机会。寻找这个平衡点需要针对具体应用场景进行精细调节。
其次，当前的研究主要集中在视觉理解任务上，如何将主动性概念扩展到语言理解、推理等其他AI能力领域还需要进一步探索。不同领域的"求助"机制可能存在显著差异，需要开发相应的评估方法和训练技术。
技术实现层面也存在挑战。强化学习训练需要大量的计算资源和精心设计的奖励机制。如何让这种训练方法更加高效和可扩展，是推广应用的关键因素。同时，如何确保训练后的AI在面对恶意利用时不会被误导产生不当的求助行为，也是需要考虑的安全问题。
展望未来，ProactiveBench为AI发展开辟了一个全新的研究方向。我们可能会看到更多专门设计用于评估AI"元认知"能力的基准测试，即AI对自身知识和能力边界的认知。这种研究有助于开发更加可靠和可信的AI系统。
长远来看，具备适当主动性的AI可能会改变人机交互的基本模式。未来的AI助手不再是被动回应用户指令的工具，而是能够主动识别问题、寻求澄清、提出建议的智能伙伴。这种交互方式更接近人与人之间的协作，可能带来更加自然和高效的用户体验。
说到底，ProactiveBench所倡导的理念反映了我们对AI智能本质认识的深化。真正的智能不仅体现在解决已知问题的能力上，更体现在面对未知挑战时的适应性和求知欲。一个知道自己不知道什么的AI，可能比一个假装什么都知道的AI更加智能和有用。
这项研究提醒我们，在追求AI性能不断提升的同时，也要关注AI的谦逊品质。毕竟，承认无知往往是获得真知的第一步。对于AI来说，学会适时说"我需要更多信息"可能比学会回答一千个问题更加重要。
通过ProactiveBench，研究团队为AI社区提供了一个宝贵的工具和新的思考角度。虽然目前的结果显示AI在主动性方面还有很大改进空间，但强化学习实验的成功为未来发展指明了可行的路径。相信随着技术的不断进步和更多研究者的参与，我们终将看到既智能又谦逊的AI助手走进日常生活，成为人类真正可靠的合作伙伴。
Q&A
Q1：ProactiveBench是什么？
A：ProactiveBench是由特伦托大学等机构开发的AI评估体系，专门测试AI多模态大语言模型是否具备"主动求助"能力。它包含7种不同场景的测试，比如物体被遮挡、图像模糊等情况，看AI是否会主动建议移开遮挡物或改善图像质量，而不是胡编答案。
Q2：为什么AI需要学会主动求助？
A：现在的AI面对看不清的图像时，要么选择沉默要么随便猜测，这在医疗诊断、自动驾驶等场景中可能带来严重后果。具备主动求助能力的AI能够识别自己的知识边界，在不确定时寻求更多信息，这样更安全可靠。
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AI模型的平均准确率只有17.5%，大多数时候都无法正确处理需要额外信息的情况。更令人意外的是，模型大小与主动性能力没有明显关系，有时小模型反而比大模型表现更好。