TL;DR

如果一个 AI 模型看不清遮挡物后的东西，它是该随口胡诌（视觉幻觉），还是表现得像个协作伙伴一样请你“把前面的障碍物挪一下”？本文介绍了 ProactiveBench，这是第一个系统性衡量 MLLM 是否具备**主动社交行为（Proactiveness）**的榜单。结论令人遗憾：目前的 SOTA 模型（包括 GPT-4, Qwen2.5, InternVL3）大多是“被动型选手”，在信息不足时表现极差。

核心速览

• 定位：开创性基准测试，填补了 MLLM 从“被动描述者”向“主动协作伙伴”转型的评估空白。
• 核心发现：现有的强大模型在需要人类干预的场景下，性能相比 reference 环境（信息完全）暴跌 60% 以上。
• 亮点：通过 GRPO 强化学习 证明了主动性是可以被“教会”的，且具备强大的跨领域泛化能力。

痛点深挖：为什么现有模型表现得像个“木头”？

人类知觉是一个动态循环：当我们看不清物体时，我们会调整视角、擦拭镜头或请求他人协助。然而目前的 MLLMs 存在两大痼疾：

1. 盲目自信（Hallucination）：即使物体被完全遮挡，模型也会基于先验知识硬猜一个答案。
2. 过度消极（Abstention）：虽然学会了说“我不知道”，但不会给出改进建议。

作者指出，现有的复杂推理榜单（如 MMMU）专注于“What”，但在现实交互中，“How to get information”同样关键。

方法论：构建“主动性”实验室

作者从 ROD、VSOD、QuickDraw 等 7 个数据集中提取并重新标注了 18,000 个样本，模拟了以下 7 类需要主动性的场景：

• 遮挡移除：背后藏着什么？（请求：“把前面的盒子挪开”）
• 视角切换：侧面看不清？（请求：“旋转一下物体”）
• 回溯/快进：视频关键帧不在本秒？（请求：“快进到三秒后”）
• 细节增补：草图太简略？（请求：“请再加几笔”）

关键架构与流程

在评测中，模型可以选择预测类别，或是选择一个“主动策略”。

实验战果：谁才是诚实且主动的 AI？

1. 规模不代表智慧

令人大跌眼镜的是，模型的大小与主动性几乎没有相关性。例如，1B 规模的 InternVL3-1B 在主动请求率（ps）上远超其 8B 的版本。很多大模型在不确定的情况下，反而表现出更死板的“倾向于拒绝回答”模式。

2. Prompt 救不了被动型 AI

即使在 Prompt 中加入 Hints（暗示模型可以求助），总体的准确率提升依然非常有限。模型往往会陷入某种“循环模式”，不断请求求助却在得到信息后无法正确汇总。

上图显示，在 Reference（信息充足）状态下模型准确率极高，但在 Proactive 场景下集体滑铁卢。

深度洞察：让 AI 学会“权衡”

本文最精彩的部分在于模型微调实验。作者使用了来自 DeepSeek 的 GRPO（群组相对策略优化） 算法。

• 奖励机制 (Reward Shaping)：
  • 猜对类别：+1.0
  • 提出有效的主动建议：+0.5 ~ +0.75
  • 猜错：0

这种设计精妙地迫使模型进行 成本收益分析：如果能一眼看清，直接回答收益最高；如果有模糊感，通过“建议”获取新信息的收益优于“猜错”。

微调后的 Qwen2.5-VL 在甚至没见过的场景（如 CIT 数据集）上展现出了惊人的泛化主动性。

局限性与未来展望

尽管取得了突破，但目前的微调模型在处理效率上仍有待提高。有时模型会陷入过度请求的循环，或在求助获取足够信息后忘记最初的任务目标。此外，如何将这种能力扩展到三维物理世界的动态连续操作，而非简单的多轮对话，仍是未来的重难点。

总结

ProactiveBench 告诉我们：一个真正的多模态巨兽不应该仅仅是知识的复读机，而应该是一个知道自己“不知道什么”并敢于要求协作的智能体。主动微调（Proactive Fine-tuning）可能是迈向 AGI 协作能力的一块重要拼图。