一句话看懂：Hugging Face Papers 收录的一篇论文提出 iPrefBench，用于测试手机 AI 代理能否推断用户偏好、并在必要时主动追问，而不只是机械执行任务。对 7 个前沿代理的评测显示，高分行动执行并未转化为同样高的个性化任务成功率。
事件核心：发生了什么
根据论文摘要，iPrefBench 是一个面向个人移动使用代理的用户中心基准，运行在可执行的 iOS 环境中，并配有可交互的模拟用户。它围绕一个连贯的用户画像构建，包含 3,051 条历史活动事件，覆盖 26 个应用中的 130 个表述不完整的任务。每个被省略的、依赖用户的需求，在设计上要么可从历史推断，要么只能向用户询问。评测衡量两件事：代理是否按该用户正确完成任务，以及是否在必要时主动获取输入。摘要提到 26 个应用，但未逐一列出应用名称；任务具体内容及评分细节也需查阅全文。
为什么重要
计算机使用代理已能在指令明确时跨应用操作，但真实用户请求往往缺少关键信息。能否“猜对”和“该问就问”，直接决定助手是真正替用户办事，还是把错误假设一路执行到底。iPrefBench 把这种模糊性拆成两类可测试要求，为个性化代理提供了更接近真实使用场景的评测维度；同时也把行业焦点从单纯的动作完成率，拉向用户意图理解与交互质量。
对用户/开发者/创作者的影响
对开发者而言，这意味着仅优化点击、输入等动作执行不够，产品还需建立用户历史建模、偏好推断与追问策略，并控制不必要的提问负担。对普通用户，代理若能区分“该自己推断”与“必须问我”，可减少误操作和不必要的确认弹窗。目前公开信息显示，该基准仍是研究论文中的评测工具，并非已上线产品或 API；是否开放、如何接入尚不明确。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 iPrefBench 的任务集、模拟用户与评分代码是否公开，能否被其他团队复用；二是后续代理在“只能询问”的信息上能否缩小差距；三是这类基准是否会推动手机厂商与 AI 应用把个性化评测纳入常规迭代。
