尽管语言智能体在信息检索和网页搜索中表现强劲，但现实用户的查询往往模糊不清，需多轮澄清。

现有搜索代理普遍假设“用户问题完整”，缺乏交互机制。

香港科技大学（广州）与DeepWisdom等团队联合推出 InteractComp 基准，用于评估AI搜索代理能否识别并主动化解查询歧义，为智能体“学会提问”提供了首个系统性验证框架。

核心亮点：首创交互式搜索基准：以“易验证、靠互动消歧（Easy to verify, interact to disambiguate）”为设计原则，构建210个专家题目，覆盖9大领域（科技、人文、娱乐等），同时支持中英双语。

目标-干扰法生成歧义问题：每道题由相似实体对构成（如冷门目标 vs 流行干扰项），问题仅包含共有属性，正确答案需通过互动获取隐藏特征才能区分。

三阶段任务流程：智能体可选择搜索（search）、提问（interact）或作答（answer）；用户模拟器仅基于上下文以“yes/no/不知道”应答，逼真模拟澄清过程。

系统性评测17大模型：包括GPT-5、Claude-Opus、Gemini 2.5、DeepSeek-R1、Qwen3等；结果显示最佳模型（GPT-5）准确率仅13.73%，而有完整上下文时可达71.5%。

揭示系统性过度自信问题：错误源非推理缺陷，而是模型缺乏不确定性感知与主动求证行为。

强制提问可使准确率提升至40%。

15个月纵向分析：搜索性能提升7倍（BrowseComp达70%），但交互能力停滞在6–14%，暴露智能体发展的“盲区”。

为RL训练提供清晰奖励信号：搜索任务结果天然可验证，适合作为强化学习与人机交互能力训练的新基准。

应用场景 / 用户反馈 / 实验结果： 适用于搜索代理、AI助手、对话式检索系统、RLHF/RLAIF训练框架研究者。

实验发现，单纯增加对话轮次（5→20轮）几乎无益，而“强制互动”显著改善表现。

DeepSeek-R1与GPT-5在强制提问下均出现性能倍增，验证了交互潜力“被掩盖而非缺失”。

🔗 项目/论文GitHub仓库路径FoundationAgents/InteractComparXiv：2510.24668#AI代理 #信息检索 #交互 #搜索增强 #模糊查询 #强化学习 #ai评测 #hkust #DeepWisdom #智能体