大语言模型虽在各种评测体系中表现出色，却常在面对真实用户时把握不准需求，显得有些笨拙。现实中，用户意图通常以暗示、含蓄、间接的方式表达，且往往要在多轮对话中慢慢显露。如何让模型从仅仅“会解题”过渡到完全“懂用户”，是交互智能的核心难题，也是 UIUC 与 Salesforce 团队在以下两篇论文里试图回答的关键问题。
1. UserBench：先有“明镜”，才能照出“懂人”与否
UserBench 最标志性的设计，是旅行规划任务，覆盖五个子场景，每个场景都设有数十条隐式偏好表述，例如“行程很紧”就暗含“直飞/少中转”的飞行偏好。模型需要与环境中的模拟用户互动，理解每一句话背后的语义逻辑，再结合数据库作出推荐。
以往模型、用户和环境三方交互接口复杂且难以复用，UserBench 将其高度抽象为三类操作：
- Action：与用户对话（澄清、追问、确认偏好）；
- Search：检索数据库（返回混合候选集，模拟真实世界的不完美检索）；
- Answer：提交推荐（完成用户需求）。
不同任务得以在同一坐标系下评估比较，为后续 UserRL 的训练框架打下了接口基础。
研究结果揭示了许多关键信息：
单选比多选难很多：把模型可回答次数限制为一次，平均分数下滑约 40%，暴露了“一次答题”的抉择困难；
用户偏好揭示率普遍偏低：主流模型仅 ~20% 的答案完全贴合全部用户意图，即便是强模型，通过主动互动挖掘到的用户偏好也不到 30%；
会用工具≠真懂用户：模型普遍有效搜索>80%，但有效对话显著更低，“循证澄清”难度更高；
偏好集中时更难：总偏好数固定时，把偏好平均分散到多个需求更容易，而集中在少数需求上会显著拉低分数，说明挑战来自局部约束的组合复杂度；
更多对话轮数≠更好表现：盲目拉长交互轮数并不能带来收益；命中答案的“时效性”与整体模型对话质量也不总是正相关：小模型“早早猜中”整体也不如大模型的“稳扎稳打”。
2. UserRL：让交互进入训练循环
如果说 UserBench 是一面明镜，那 UserRL 就是一块磨刀石，在 UserBench 抽象出的三个接口上，构建八大统一 Gym 环境，把 User-in-the-Loop 的多轮交互转化为一个可训练的强化学习问题。在每个环境中，用户同样由 LLM 模拟，并且可以更换不同用户模型，实现交互多样性。
UserRL 框架的核心特点：
- 确定性任务状态和可验证奖励函数；
- 自然语言互动，保留动态模拟用户对话的开放性；
- 多轮 rollout，让模型在交互中做出策略性选择。
实际训练中，采用回合层、轨迹层双层奖励，可灵活组合，适配不同交互任务。
回合层（Turn-level）：
- Naive：直接用环境奖励，但往往稀疏；
- Equalized：为所有回合赋予同样奖励；
- R2G：把未来预期奖励折扣回流；
- EM：非线性映射，小进展也能带来正反馈。
轨迹层（Trajectory-level）：
- Sum：直接累积每回合奖励；
- R2G：早期进展赋予更高价值，更强调任务完成效率。
研究主要发现：
“回合均等 + 轨迹 R2G”在 4B/8B 模型上最稳健、平均最好；
“回合均等 + 轨迹 Sum”最弱，说明轨迹级计分比回合级奖励细分更具决定性价值；
经过 UserRL 训练的 Qwen3 在 TravelGym、PersuadeGym、IntentionGym 等交互型任务上能够超过强闭源模型；跨 8 个 Gym 的平均也领先闭源对照；
用户模拟器选择很关键：GPT-4o 做模拟用户下游更强，但 Qwen3-32B 具备高性价比和可迁移优势。
UserBench 论文链接：https://arxiv.org/pdf/2507.22034
UserBench 代码仓库：https://github.com/SalesforceAIResearch/UserBench
UserRL 论文链接：https://arxiv.org/pdf/2509.19736
UserRL 代码仓库：https://github.com/SalesforceAIResearch/UserRL
（所有代码，环境以及训练框架全部开源，欢迎研究者们使用）
钱成，伊利诺伊大学香槟分校 (UIUC) 二年级博士生，导师为季姮教授。本科就读于清华大学计算机系，导师为刘知远教授。目前工作集中在大语言模型工具使用与推理，以及人工智能体方向。曾在 ACL，EMNLP，COLM，COLING，NAACL，ICLR 等多个学术会议发表论文十余篇，一作及共一论文十余篇，谷歌学术引用超 1000，现担任 ACL, EMNLP Area Chair，以及 AAAI，EMNLP，Neurips，COLM 等多个会议 Reviewer。
👆扫码报名👆或者点击「阅读原文」报名
