ProactBench：超越用户所问

大多数大语言模型基准仅评估对显式请求的响应，忽略了识别并响应用户隐含需求的“对话主动性”。本文提出 ProactBench，将其分解为三种类型：涌现型（单锚点推断）、关键型（多锚点综合）及恢复型（任务完成后的前瞻性价值）。通过构建包含规划者、用户代理和助手模型的三方交互框架，利用信息不对称消除评分偏差。基于 198 个精心策划的对话和 624 个触发点的评测显示，恢复型主动性难以被现有基准预测，提供了新的评估信号。