这项由华盛顿大学与艾伦人工智能研究所（Allen Institute for AI）联合开展的华盛何研究，于2026年6月以预印本形式发布，顿大道该论文编号为 arXiv:2606.28733。揭秘竟知感兴趣的体究读者可通过该编号获取完整的研究报告。

被寄予厚望的不知AI助手，是放弃否拥有知难而退的智慧？

随着人工智能助手日益强大，它们不仅能协助网购、华盛何编写代码，顿大道该还能检索海量资料。揭秘竟知然而，体究一个常被忽视的不知关键问题浮现出来：当面对根本无法完成的任务时，AI是放弃懂得适时停止并承认局限，还是华盛何会一意孤行、反复试错，顿大道该最终徒劳无功？揭秘竟知

这正是本研究旨在揭示的核心议题。研究团队将这一概念定义为“智能体弃权”（Agentic Abstention）。这并非晦涩的学术术语，而是一种极具直觉性的能力——如同经验丰富的侦探，不仅擅长破案，更懂得在线索中断时果断收手，避免在死胡同中无谓消耗。

一、研究背景：AI行动力越强，试错成本越高

现代AI助手已超越单纯的问答机器人，具备与环境交互的能力：搜索网页、点击界面、执行代码。这种自主性赋予了AI强大的执行力，但也引入了潜在风险——当任务不可行时，无法“刹车”的AI不仅会浪费大量计算资源，还可能产生误导性输出以试图“蒙混过关”。

既往研究多聚焦于AI“能否”完成任务，而本研究转向了“是否应该”继续的维度。具体而言，研究关注AI能否在任务初始即不可行，或在交互过程中发现不可行时，及时识别并终止行动。

二、什么是“智能体弃权”？与普通拒答的本质区别

• 普通AI拒答：通常是单次判断。当用户提问超出能力范围时，AI直接回复“我不知道”或“无法回答”，如同裁判吹哨终止比赛。
• 智能体弃权：是一个连续决策过程。在每一轮交互中，AI面临三个选择：给出答案、继续探索、或弃权。关键在于，某些任务的不可行性只有在与环境深度交互后才能显现。

研究团队采用“侦探模型”进行类比：AI是侦探，任务是案件。侦探需先勘查现场（交互）才能判断案件真伪。若发现案件系误报（如尸体不存在），优秀侦探应立即停止调查，而非盲目挖掘。

从数学角度描述，该过程属于部分可观测马尔可夫决策过程（POMDP）。AI在信息不完整的情况下，需在以下行动中决策：
1. ANSWER：完成任务。
2. ABSTAIN：弃权（停止）。
3. ACT：继续与环境互动。

三、研究范围：构建涵盖三大场景的2.8万任务基准

为系统评估AI的弃权能力，研究团队构建了包含超过28,000个任务的测试基准，覆盖以下三大典型场景：

1. 网络购物（WebShop）：
2. 基于模拟购物网站WebShop，包含约百万商品。
3. 选取500个真实任务，并构建500个“弃权版”任务（不可解），形成1,000条测试数据，可解与不可解任务各占50%。
4. 命令行操作（Terminal-Bench 2.0）：
5. 评估AI在Linux环境下的复杂任务能力（如复现代码、配置系统）。
6. 在89个原始任务基础上，构建187个弃权变体，共计277条评测数据。
7. 互动问答（AbstentionBench）：
8. 涵盖16个数据集，共27,073条样本。
9. AI可有限次搜索维基百科辅助判断，需决定何时停止搜索并作答。

四、任务设计精妙：让“不可能”看似“可能”

研究将“不可解任务”细分为两类，难度差异显著：

1. 基于请求的弃权（Request-based Abstention）：
2. 指令本身存在逻辑矛盾或缺失。
3. 子类型：
4. 主观偏好：依赖个人品味，无客观标准（如“选个我会喜欢的口味”）。
5. 意图不明：关键信息缺失（如“买跟上次一样的”）。
6. 虚假前提：指令自相矛盾（如“买BPA-free但含PVC的罐子”）。
7. 基于环境的弃权（Environment-based Abstention）：
8. 指令看似正常，但环境条件导致任务无法完成。
9. 实现方式：
10. 网购：从库中删除目标商品并重建索引，使AI无法搜到。
11. 命令行：移除必需文件或权限，使环境表面正常但实质缺失关键前提。

这种设计真实还原了两种困境：“一看即知不可行”与“深入后才发现无米之炊”。

五、测试对象：13个主流AI智能体系统

研究测试了13个大型语言模型（LLM）驱动的智能体及2种智能体脚手架（Agent Frameworks）：

• 模型列表：GPT-5.4-mini, Grok 4.1 Fast, Llama-3.3-70B, GPT-OSS-120B, MiniMax-M2.5, Qwen-3系列 (8B/14B/32B/235B), Gemma-4-31B, GLM-5.1。
• 脚手架：Terminus 2, Codex CLI。
• 测试分布：
• 网购场景：8个模型对比。
• 命令行场景：固定使用GPT-5.4-mini，对比两种脚手架。
• 问答场景：测试5个模型。
• 专项分析：考察模型规模（Qwen-3系列）、深度思考能力（Qwen-3-235B/GPT-5.4-mini不同推理强度）对弃权的影响。

六、衡量标准：不仅看结果，更看时机

研究引入核心指标 AbsRec@K（弃权召回率@K步）：
* 定义：在所有应弃权的任务中，AI在第K步之前成功弃权的比例。
* 最早合理弃权时机：
* 基于请求：第1步即可判断，合理时机为第1步。
* 基于环境：需先交互一轮，合理时机为第2步。
* 注：过早弃权（证据不足）不计入成功，防止AI随机猜测刷分。

• 关键细分指标：
• AbsRec@1（及时弃权率）：衡量AI是否在最早合理时机做出正确判断。
• AbsRec@10（总体弃权率）：衡量在10步预算内最终是否弃权。
• SPL（成功率加权路径长度）：借鉴机器人导航指标，弃权越早得分越高，拖延会大幅扣分。
• 过度弃权率：衡量AI在可解任务中错误放弃的比例。

七、核心发现：AI弃权能力薄弱，主要痛点是“拖延”

研究结果显示，AI普遍缺乏有效的弃权能力，主要问题并非“不会弃权”，而是“弃权滞后”。

• 网购场景：
• 8个模型中，6个在10步后的弃权率低于50%。
• 最佳表现：Llama-3.3-70B（总体弃权率84%），其次是Qwen-3-235B和Grok-4-Fast。
• 及时性问题：即便Llama-3.3-70B最终能弃权，其及时弃权率（第1步）仅为26.7%，表明其倾向于多试几步才放弃。
• 命令行场景：
• 使用GPT-5.4-mini，Codex CLI总体弃权率约38%，Terminus 2仅18%。
• 结论：操作框架对弃权行为影响巨大，Codex CLI更善于识别“无解”信号。
• 问答场景：
• 表现两极分化。Qwen-3-235B表现最佳（第1步弃权率59%，10步内71%）。
• Llama-3.3-70B从29%改善至49%。
• GPT-5.4-mini表现停滞（10步内仅34%），搜索辅助效果有限。

八、任务类型决定难度：环境依赖型弃权最难

拆解任务类型后发现：

• 网购场景：
• 最容易：虚假前提（逻辑矛盾明显，模型易识别）。
• 中等：主观偏好、意图不明。
• 最难：缺失目标（基于环境）。指令合理，需搜索确认商品不存在，多数模型在此类任务上失败。
• 命令行场景：
• “意图不明”类对两种脚手架均极难，弃权率极低。
• 问答场景：
• “答案未知”和“主观”类较易弃权；“虚假前提”持续困扰模型；“意图不明”表现依赖具体模型。

规律：越依赖环境交互证据的任务，弃权越难；越依赖识别意图缺失而非逻辑矛盾的任务，错误率越高。

九、推理能力与弃权：深度思考并非万能药

研究测试了“深度思考”（Reasoning）模式的影响，结果复杂：

• 网购场景（Qwen-3-235B）：
• 思考模式：及时弃权率更高（第1步判断更准），但总体弃权率反而更低。
• 解读：深度推理帮助模型快速识别不可解性，但一旦错过最佳时机，推理模式反而导致模型更执着，更难在后续步骤中服软。
• 命令行场景（GPT-5.4-mini）：
• 中等推理强度为最佳折中：及时弃权率高于低强度，且过度弃权率低于高强度。
• 高强度推理并未带来进一步改善，反而可能引入不必要的犹豫。

十、模型规模效应：越大越“后知后觉”

通过Qwen-3系列（8B至235B）测试发现：

• 总体弃权率：随模型规模增大而提高。大模型最终识别出无解的能力更强。
• 及时弃权率：几乎不随规模增大而提升。
• 结论：大模型倾向于“转更多圈后才意识到任务不可行”，而非“一开始就判断”。这是一种效率低下的“后知后觉”。

十一、过度弃权：另一面的风险

AI在可解任务中错误放弃（过度弃权）同样严重：

• 网购场景：Qwen-3-235B的过度弃权率高达24%-34%。搜索结果的不确定性易导致模型误判“找不到即没有”。
• 命令行场景：GPT-5.4-mini在低推理强度下过度弃权率约8%，中高推理强度下降至0-2%。
• 结论：网购场景的过度弃权问题比命令行更严峻。

十二、CONVOLVE方法：无需重训的弃权优化方案

针对现有AI弃权能力弱的痛点，研究提出 CONVOLVE（Context Evolution，上下文演化）方法：

• 核心逻辑：让AI从失败经验中总结教训，形成“停手手册”，供未来任务参考。
• 工作流程：
• AI与环境交互（完成任务或失败）。
• 反思模型回顾过程，识别导致拖延的关键行为。
• 整理模型将反思转化为简洁的行动规则，更新“手册”。
• 未来任务中，手册作为额外背景信息输入，辅助决策。
• 优势：无需修改模型参数，无需重新训练，仅需少量数据（20条轨迹）即可在WebShop上取得显著效果。

十三、CONVOLVE测试结果：效果显著且可跨模型迁移

• WebShop表现（Llama-3.3-70B）：
• 基准：及时弃权率26.7%，总体弃权率83.2%，SPL 55.3。
• 加入CONVOLVE：及时弃权率跃升至57.4%，总体弃权率100%，SPL 78.9。
• 成效：仅用20条样本，及时弃权率提升超30个百分点，总体弃权率达满分。
• 跨模型迁移：
• 小模型（Llama-3.3-8B）积累经验生成手册，供大模型（Llama-3.3-70B）使用。
• 大模型及时弃权率从26.7%提升至55.3%，接近其自学习手册的效果（57.4%）。
• 启示：弃权经验的有效性不依赖模型规模，小模型总结的教训同样适用于大模型。
• 对比In-Context Learning (ICL)：
• 对于大模型，ICL效果（55.1%）与CONVOLVE（57.4%）相近。
• 对于小模型，CONVOLVE比ICL更稳定，体现了其在知识结构化方面的优势。

十四、CONVOLVE在其他场景的泛化能力

• TerminalBench（命令行）：
• Llama-3.3-70B及时弃权率从37.6%提升至68.9%，总体弃权率从66.2%提升至79.1%。
• 跨模型迁移有效：8B模型学到的知识帮助70B模型达到52.8%的及时弃权率（提升超15个百分点）。
• AbstentionBench（问答）：
• 改善幅度略小但显著：及时弃权率从25.0%提升至39.7%，总体弃权率从41.6%提升至64.2%。
• 原因：问答场景复杂性高，统一规则难以覆盖所有情况。

总结与启示

这项研究揭示了一个被忽视的AI能力缺口：止损能力。

1. 普遍缺陷：顶级AI系统在面对不可解任务时普遍存在“拖延”现象，导致资源浪费和潜在误操作。
2. 非直觉规律：
3. 模型越大，不一定更及时。
4. 推理能力越强，不一定带来更好的弃权表现。
5. 操作框架（脚手架）的影响可能超过基础模型差异。
6. 解决方案：CONVOLVE提供了一种无需重训的优化路径，通过经验积累和知识迁移，显著提升弃权效率。

对用户而言：当AI助手在问题上反复转圈、答非所问时，这并非单纯的能力不足，而是缺乏“知止”的智慧。未来的可靠AI，应像优秀侦探一样，既能破案，也能在无路可走时果断收手。

Q&A

Q1：什么是智能体弃权（Agentic Abstention），和普通AI拒答有什么区别？

A：
* 智能体弃权：指具备工具使用能力的AI在多轮交互过程中，识别出任务不可完成并及时停止行动的能力。这是一个连续决策过程，AI在每一步可选择继续探索或停手，且有时需交互后才能发现任务不可行。
* 普通AI拒答：通常是单次判断，在接收到超出能力范围的问题时直接回复“不知道”或“无法回答”，不涉及多轮交互中的动态决策。

Q2：CONVOLVE方法是如何工作的，需要重新训练AI模型吗？

A：
* 无需重新训练。CONVOLVE通过以下步骤工作：
1. AI完成一批任务并记录交互过程。
2. 反思模型分析过程，识别导致不必要拖延的行为。
3. 整理模型将反思提炼为简洁的“停手规则”，形成持续更新的“手册”。
4. 后续任务中，手册作为额外背景信息输入，帮助AI更早识别不可解信号。
* 数据需求：仅需约20条训练样本即可生效。

Q3：模型规模越大是否意味着弃权能力越强？

A：
* 总体弃权率：是的，大模型在有限步数内最终识别出无解并弃权的比例更高。
* 及时弃权率：否，大模型在第一步就正确判断任务不可解的能力并未随规模显著增强。
* 结论：大模型倾向于“最终认输”而非“更快认输”，仍可能经历多轮无效尝试，导致效率低下。