PITCH 基准测试揭示 AI 主动代理在多方聊天中时机判断的系统性偏差

研究提出 PITCH 基准，首次通过人类判断评估 AI 主动代理在多方聊天中的介入时机，包含 384 个候选贡献和 1,091 个判断。 评估 15 个模型发现，当要求实时决定时，模型最佳轮次准确率从 57.8% 降至 19.0%，且近半数介入早于可接受窗口；普通人类准确率（23.7%）反而高于模型。 模型推理痕迹显示 93% 的介入理由引用相关性，几乎无人考虑等待，暴露出代理融入群体场景的缺陷。