Исследователи представили CLEAT — фреймворк для обучения AI-агентов уточнять намерения пользователя не «на всякий случай», а тогда, когда ответ действительно способен улучшить результат. Работа опубликована 12 октября 2026 года в arXiv под названием «CLEAT: Learning Value-Guided Clarification for Interactive Agents».
Ценность вопроса вместо угадывания
Современный агент часто сталкивается с неполным запросом: пользователь не указал ограничения, приоритеты или важные детали. Простое правило «всегда спрашивать» не подходит: лишний вопрос замедляет выполнение, а ответ на него может ничего не изменить.
CLEAT формулирует эту проблему как интерактивное выравнивание намерений. Метод оценивает остаточную ценность запроса — дополнительную полезность, которую агент может получить, если задаст вопрос, а не продолжит работу на основе текущей информации. Иными словами, агент должен сравнить два сценария: действовать сразу или сначала уточнить один из параметров задачи.
Как устроено обучение
В системе совместно обучаются два компонента:
- контроллер ценности уточнения, который предсказывает пользу потенциального вопроса;
- политика выполнения задачи, которая выбирает вопросы и использует полученные ответы в дальнейших действиях.
Для оценки вопроса CLEAT запускает парные сценарии из одной и той же истории взаимодействия: в одном агент сначала спрашивает, в другом сразу действует. Разница в итоговых результатах используется как метка ценности уточнения. Затем контроллер направляет сбор новых примеров, а обновлённая политика агента создаёт новые результаты для последующего обучения.
Такой цикл важен потому, что полезность вопроса меняется вместе с самим агентом. Вопрос, который помогал слабой политике, может стать ненужным после улучшения планирования. CLEAT пытается учитывать эту динамику, а не обучать контроллер один раз на фиксированном поведении.
Результаты и практический смысл
В экспериментах с Qwen3-4B CLEAT показал наивысший средний результат во всех десяти настройках на четырёх бенчмарках. Согласно аннотации работы, преимущество над сильнейшим базовым методом достигло 13,2 процентного пункта в UserGym Travel и 6,5 пункта в точности определения недоопределённых запросов в IN3.
Отдельно авторы сообщают, что совместное обучение улучшает политику выполнения даже без использования контроллера во время инференса. При этом адаптация подсказок для уточнения к меняющейся политике даёт дополнительный прирост.
Ограничения
CLEAT не превращает уточняющие вопросы в универсальное решение. Метод требует дополнительных прогонов для сравнения вариантов, а значит, потенциально увеличивает вычислительные затраты во время обучения. Из представленной аннотации также нельзя сделать вывод о поведении системы в реальных продуктивных процессах, стоимости инференса или устойчивости на других моделях и доменах.
Практическая идея работы применима прежде всего к агентам, где цена неверного предположения выше цены короткого диалога: планированию поездок, работе с неоднозначными требованиями и многошаговым задачам. Но перенос результатов за пределы указанных бенчмарков требует отдельной проверки.
Источники
