论文页面 - π-Bench：在长时程工作流中评估主动性个人助理代理

来源：https://huggingface.co/papers/2605.14678 作者：

,

,

,

,

,

,

,

,

,

,

,

,

摘要

在个人代理系统中，主动性辅助需要通过持续的多轮交互来识别隐藏的用户意图，而当前的基准测试未能充分评估这一点。

个人助理代理（https://huggingface.co/papers?q=personal%20assistant%20agents）的兴起，例如 OpenClaw，凸显了大语言模型（https://huggingface.co/papers?q=large%20language%20models）在支持用户日常生活与工作方面日益增长的潜力。这些场景中的核心挑战是主动性辅助（https://huggingface.co/papers?q=proactive%20assistance），因为用户往往从表述不清的请求开始，并留下重要的需求、约束或偏好未加说明。然而，现有的基准测试很少评估代理能否在用户明确说明之前识别并作用于这些隐藏意图，尤其是在用户需求逐渐显现的持续多轮交互（https://huggingface.co/papers?q=multi-turn%20interactions）中。为弥补这一空白，我们引入了 π-Bench，一个用于主动性辅助的基准测试，包含跨 5 个领域特定用户画像（https://huggingface.co/papers?q=domain-specific%20user%20personas）的 100 个多轮任务。通过整合隐藏用户意图（https://huggingface.co/papers?q=user%20intents）、任务间依赖关系以及跨会话连续性，π-Bench 评估了代理在扩展交互中预测和满足用户需求的能力，并联合衡量了长时程轨迹（https://huggingface.co/papers?q=long-horizon%20trajectories）中的主动性（https://huggingface.co/papers?q=proactivity）与任务完成度（https://huggingface.co/papers?q=task%20completion），从而更好地反映真实世界的使用情况。实验表明：(1) 主动性辅助仍然具有挑战性；(2) 任务完成度与主动性之间存在明显区别；(3) 在后续任务中，先前的交互对于主动意图解析具有价值。

查看 arXiv 页面（https://arxiv.org/abs/2605.14678）查看 PDF（https://arxiv.org/pdf/2605.14678）项目页面（https://simplified-reasoning.github.io/Pi-Bench）GitHub7（https://github.com/Simplified-Reasoning/Pi-Bench）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.14678）

在你的代理中获取此论文：

hf papers read 2605\.14678

没有最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2605.14678，即可从本页链接此模型。

引用此论文的数据集0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2605.14678，即可从本页链接此数据集。

引用此论文的Space0

没有Space链接此论文

在Space的 README.md 中引用 arxiv.org/abs/2605.14678，即可从本页链接此Space。

包含此论文的收藏0

没有收藏包含此论文

将此论文添加到一个收藏（https://huggingface.co/new-collection）中，即可从本页链接此论文。