从「知题」到「知人」：UserRL让智能体学会「以人为本」

“知人者智，自知者明。”——《道德经》

古人早已洞见：真正的人类智慧，不仅仅在于公式推演、掌握技艺，更是能理解他人、洞察人心。今天的大语言模型已能在代码、数学与工具使用上出色地完成任务，然而距离成为真正的用户伙伴，它们依旧缺少那份 “知人” 的能力。这主要源于现实交互远比解题更加复杂：
现实交互中，用户目标常常未在最初完全成形（underspecification）、而是在多轮对话中逐步显露（incrementality）、并且以含蓄 / 间接的方式表达（indirectness）。在这种不确定、动态、多目标的语境里，模型不止要会解决用户需求，更要主动澄清（clarification）、持续适配（adaptation）、善用工具（tool-use）并做出明智的权衡（decision-making）。
这正是智能体面临的下一个时代课题：从 “会解题” 迈向 “懂用户”。而要真正回答这一课题，我们需要全新的动态评测框架与训练机制：不仅能测量模型在交互中的表现，还能驱动其学会在用户不确定与多目标的世界里，问之有道，断之有衡，答之有据。为此，来自 UIUC 与 Salesforce 的研究团队提出了一套系统化方案：
UserBench—— 首次将 “用户特性” 制度化，构建交互评测环境，用于专门检验大模型是否真正 “懂人”；UserRL—— 在 UserBench 及其他标准化 Gym 环境之上，搭建统一的用户交互强化学习框架，并系统探索以用户为驱动的奖励建模。
二者相辅相成，把 “以用户为中心” 从理念落地为可复现的流程、接口与评测指标。


UserBench 论文链接：https://arxiv.org/pdf/2507.22034UserBench 代码仓库：https://github.com/SalesforceAIResearch/UserBench


UserRL 论文链接：https://arxiv.org/pdf/2509.19736UserRL 代码仓库：https://github.com/SalesforceAIResearch/UserRL
UserBench
先把 “用户价值” 量化，才能倒逼智能体进化
核心思想
UserBench 的核心出发点是：真正的智能体价值不在于完成任务本身，而在于是否能够理解用户、服务用户。不同于传统评测大多进行的 “做题比赛”，其通过刻画三类 “用户特征”，并将它们嵌入到可复现的环境与标准化接口之中，从而把 “用户价值” 从抽象理念转化为可量化的研究对象。
1. 设计原则
长期以来，智能体的评测大多集中在工具调用与任务完成，但却鲜少触及一个更根本的问题：模型是否真正对齐了用户的潜在与动态意图。
UserBench 的设计正是为了解决这一缺口。它把 “用户真实交互三大特征” 作为评测核心：
模糊性（underspecification）：用户目标往往并未完整表达；渐进性（incrementality）：意图需要在对话中逐步显露；间接性（indirectness）：用户偏好常常通过隐含线索体现。
在这样的环境里，模型不再是 “照题答题”，而是必须主动追问、澄清约束，并在复杂条件下做出连贯而明智的决策。


UserBench 设计与交互流程示意图
2. 环境与数据构造
UserBench 的标志性设计是旅行规划任务，覆盖五个子场景。每个维度都设置了数十条隐式偏好表述，如 “行程很紧” 暗含 “直飞 / 少中转”，要求模型在与环境中的模拟用户进行交互时，需要理解用户每一句话背后的语义逻辑。同时，环境中内置了稳定数据库后段，并且搜索返回采用了混合式选项进一步增加了模型认知难度：
正确项：完全满足全部偏好；错误项：违背至少一条偏好；噪声项：与需求不符或信息缺失。
这使得模型必须学会过滤噪声、权衡约束，而非直接机械化地比对。UserBench 同时也进行了数据难度分层，根据用户偏好的复杂程度涵盖了 Easy/Medium/Hard 三档，这种设计让其既保有真实性（场景、语言与需求均来自真实语料指导下的 LLM 用户模拟），又具备实验可控性。
3. 以工具为界面：标准化交互接口
以往针对模型，用户以及环境的三方交互接口复杂。而在文章中，这种复杂交互被抽象为了三类原语操作：
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（直接完成用户需求）。
这三类操作高度浓缩了 “理解 — 检索 — 决策” 的链路，使不同任务可以在同一坐标系下被评估与比较。在 UserRL 训练框架中，这个标准化接口被保留并得以进一步拓展，使模型训练也变得可以自由定制化和拓展。


UserBench 上不同模型主要评测结果以及分析指标
4. 评价指标与关键发现
UserBench 的评分体系兼顾结果与过程：
核心指标：归一化得分。对于每一项旅行需求，在数据库中选到最优解记 1.0；选到正确但次优解记 0.8；其余记 0。在一个问题中用户需求可能会涵盖多个场景（例如交通和酒店住宿），需要被测试模型深入挖掘，理解偏好，再进行判断和抉择。除此之外，文章还提出了若干过程指标以进行综合分析：Valid Search / Action Attempt：搜索与用户对话操作的有效率；Preference Elicited：偏好在用户交互是否被主动 / 被动引出。
主要结论：模型并非输在 “不会算”，而是常常没能问对问题、没能挖出关键信息。换言之，真正的挑战不是推理链，而是智能体与人的交互中进行有效的 “用户价值” 提炼与捕捉。
关键发现
单选比多选难很多：对于每一项旅行需求，如果把模型可回答的次数限制为一次，平均分数下滑约 40%，暴露了 “只能给一次答案” 时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偏好不到 30%，显示了当下模型 “主动问对问题” 能力仍然欠缺。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，说明 “循证澄清” 的难度更高。难点在 “单一维度的偏好多而复杂”：当总偏好数固定时，把偏好更平均地分散到多个旅行需求中更容易，而集中在少数需求上会显著拉低分数，这揭示了本质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；同时，命中答案的 “时效性”（更早给出有效答案）与整体模型对话质量也并不总是正相关：小模型 “早早猜中” 整体也不如大模型的 “稳扎稳打”。


盲目增加交互轮数并不能增强交互质量
UserRL
把 “能测试” 扩展为 “会训练”
核心思想
UserRL 的出发点相比更加直接：在 UserBench 抽象出的三个原语接口之上，构建一个统一的 gym 环境，把 User-in-th-Loop 的多轮交互转化为一个可训练的强化学习问题。这意味着，智能体不再只是完成一次问答，而是要在一个有明确定义的交互环境中，通过多轮对话和工具调用来优化回报。


UserRL 中进行训练的八个用户中心场景设计
1. 八大 Gym Environments：能力光谱的全覆盖
UserRL 对接了八类环境，覆盖从个性化推荐到复杂推理的多维能力：
TravelGym：侧重个性化偏好挖掘与多目标权衡；TauGym：强调工具编排与用户任务实现；PersuadeGym：模拟论证与说服场景，关注对抗式对话能力；TurtleGym：创造性推理环境（“海龟汤” 游戏）；TelepathyGym：意图猜测与假设检验；FunctionGym：数理模式识别与规律发现；IntentionGym：针对真实场景的意图澄清；SearchGym：外部知识检索与基于检索的问答。
所有环境都统一在Action / Search / Answer的接口下，但考察指标有所差异。这种统一接口 + 多元任务的设计，使得 UserRL 既能横向比较不同方法，又能纵向推动能力迁移。


UserRL 完整训练框架示意图
2. 用户模拟与多轮 Rollout
在每个环境中，用户同样由 LLM 进行模拟，并且可以更换不同用户模拟模型，以实现交互的多样性。UserRL 框架的核心特点包括：
确定性任务状态 + 可验证奖励函数自然语言互动，保留了动态模拟用户对话的开放性；多轮 rollout，让模型在交中做出策略性的交互选择。
3. 奖励建模：让过程价值变成可学信号
在 UserRL 中，我们重点探索了双层奖励设计：回合层（Turn-level）以及轨迹层（Trajectory-level）。在回合层中，我们重新映射 Gym 环境在每一轮中反馈的奖励信号，探索了多种方法以区分不同层的重要性：
Naive：直接用环境奖励，但往往非常稀疏，在实际环境中并不适合训练。Equalized：为所有回合赋予同样的奖励，确保所有铺垫性动作不被忽视。Reward-to-Go (R2G)：把未来的预期奖励收益折扣回流，以体现当前轮次对于未来奖励的价值。


Exponential Mapping (EM)：对原始奖励做非线性映射，让某些小进展也能带来正反馈奖励信号。


在轨迹层中，我们将每一轮的奖励反馈整合成与用户多轮交互的总体得分，以便于后续适配 GRPO 等下游各种 RL 算法，其中我们主要探索了两种整合方式：
Sum：直接累积每回合的奖励，以衡量整体任务完成度。R2G：对早期进展赋予更高价值，更强调任务完成效率。


在实际训练中这两层奖励可以灵活组合以适配不同交互任务。


UserRL 训练主要试验结果
4. 评价指标与关键发现
文章主要采用了GRPO算法进行优化：在同一 query 下采样多条轨迹，组内归一化优势，再结合回合与轨迹奖励进行联合优化。同时，在 RL 训练之前，模型预先进行了 SFT 小规模优化，实验发现 SFT 冷启动能够有效帮助后续 RL 训练。
UserRL 用其中的五个 Gym 的训练集数据进行训练，另外三个 Gym 则作为 OOD 环境进行测试。所有主实验均采用 Qwen3-32B 作为用户模拟。不同任务的测试指标不尽相同，但是都是以准确度作为衡量基础。
主要结论：模型的提升并非来自更复杂的算力堆叠，而是得益于对过程价值的刻画与利用。换言之，真正的突破点不在于 “终局答案对不对”，而在于能否在多轮交互中持续累积小进展、尽早对齐用户意图，并把这种过程性价值转化为学习信号。
关键总结果
回合均等 + 轨迹 Reward-to-Go 在 4B/8B 模型上最稳健、平均最好；反观回合均等 + 轨迹 Sum最弱，说明轨迹级计分比回合级细分更具有决定性价值。经过 UserRL 训练的 Qwen3 在 TravelGym、PersuadeGym、IntentionGym 等交互型任务上超过强闭源模型；跨 8 个 gym 的平均也领先闭源对照，体现出 “针对用户交互的 RL 训练” 能实打实提升能力。SFT 冷启动是必要条件：先做 SFT 再 RL，能显著避免早期坍塌，部分任务收益超 100%。用户模拟器选择很关键：用 GPT-4o 做模拟用户训练的模型下游更强；但 Qwen3-32B 作为开源模拟器具备性价比高且可迁移的优势。





SFT 冷启动（左侧对照）与 GPT-4o 作为模拟用户（右侧对照）均能带来更好的 RL 效果
结语：从 “完成任务” 到 “成就用户”
UserBench 提供了一面 “明镜”，让我们得以量化模型是否真正理解用户；UserRL 则把这面镜子变成 “磨刀石”，推动模型在交互中不断迭代，学会在模糊与多目标之间提炼价值。
《论语》有云：“君子和而不同。” 未来的通用智能体，也应当在理解用户多元价值的同时，学会和而不同：既能尊重偏好，又能提供建设性选择；既能满足需求，又能引导更优解。这，才是通向真正通用智能的必要一课。
所有环境、数据以及训练框架已开源，欢迎研究人员探索。