美团Longcat团队推VitaBench 2.0：揭示AI成“高情商助理”的短板与挑战

AI能否分清不同用户需求？美团推VitaBench 2.0应对挑战

一个经常加班的白领，一个带着孩子出游的父亲，AI助理能分清他们需要什么样的服务吗？现实是，它常常分不清。AI能执行明确指令，却难记住藏在场景和身份背后的真实需求。它们是真的无法理解，还是"情商"不够高呢？

自去年10月发布了VitaBench 1.0，首次定义生活场景下智能体任务的复杂度，美团Longcat团队再次推出VitaBench 2.0，它不再仅关注任务难度，而是投向更深层次的挑战。

VitaBench 2.0是首个真实生活场景下面向长期动态用户建模的智能体评测基准，它系统性地评测大语言模型在长期、真实、动态的用户互动中个性化与主动性的能力。

VitaBench 2.0的核心看点有哪些？

其核心“硬核”看点包括：一是高难度业界首创，首次将智能体场景与丰富用户生态相结合，打造面向长期动态用户建模的智能体基准，包含56名真实特征用户、819个复杂任务、超2000个动态偏好及66个可执行工具；二是超长跨度动态追踪，平均每位用户包含2093个交互事件，平均时间跨度长达1580天，严格按时间线向Agent暴露，真实还原用户偏好的演进与漂移；三是统一评测生态，针对长文本上下文学习与智能体记忆策略的统一评测平台。

VitaBench 2.0的设计原理是什么？

搭建“人生副本”：让AI在真实用户轨迹中接受考验

不同于一次性问答，VitaBench 2.0为56位虚拟用户，在送餐、到店、差旅等多个真实领域中，构建了包含2000多种动态偏好、跨度长达数年的生活轨迹。这背后有庞大而真实的数据支撑，数据生态包含56个拟真用户，每个用户都有基于真实世界统计数据构建的独特身份、习惯和需求；819个可执行任务，贯穿于用户的整个生命周期；用户的偏好会动态演变，平均每个用户的偏好会发生超过48次动态变化。这些偏好被嵌入到碎片化的互动历史中，智能体需从混杂着“信号”与“噪音”的线索中，持续对用户进行理解。

引入“时间标尺”：将持续理解作为核心目标

传统的Agent评测关注“单个任务是否完成”，而VitaBench 2.0的核心目标是评测智能体是否在持续理解一个动态的人。为此，评测的时间轴被拉长，用户的平均交互周期长达1580天（约4.3年），最长甚至达到2974天。在这漫长的时间线里，智能体需要不断地提取、利用、并更新对用户的理解，才能在后续任务中做出正确决策，这改变了评测焦点，从单次任务的成功转向了对用户偏好的考核。

设立“记忆擂台”：对决AI的两种记忆模式

为探究记忆在长期用户建模中的作用，VitaBench 2.0搭建了首个真实用户场景下的统一长期智能体评测平台，通过可扩展的接口，让智能体记忆和RAG记忆两种代表性机制在此对决。智能体记忆是AI自己决定记住什么、忘记什么，主动维护一个精炼的用户档案；RAG记忆像一个外部搜索引擎，根据当前任务检索最相关的历史片段。通过对比这两种模式，可看到不同记忆架构及同架构下不同设计对个性化决策的真实影响，回答“AI应该如何记忆”这一关键问题。同时，还设计了主动性任务，考验AI的“眼力劲”，在这些任务中，AI必须意识到信息不足并主动提问，而不是盲目决策。

用VitaBench 2.0能看清模型的哪些短板？

VitaBench 2.0不仅给出了总分，更用数据揭示了模型们犯错的具体原因。从主要模型在不同记忆设置下的性能排行榜可以看出，即使在“开卷”模式下，最强的模型Claude - Opus - 4.6的平均分也刚过0.5，说明从海量信息中准确提炼偏好本身就比较困难。而切换到更真实的记忆模式，模型的表现出现不同程度的下滑。

洞察一：时间越长，AI忘得越快

随着任务序列索引增加（即时间推移），所有模型的平均性能都在下降，说明处理超长上下文的能力和记忆模块的累积误差，严重限制了AI的长期服务能力。且记忆并没有成为解药，大部分模型在接入Agentic Memory或RAG Memory后，性能反而低于直接使用全历史记录的场景，记忆的正确更新、检索和利用才是真正的挑战。

洞察二：高“智商”不等于高“情商”

常见假设是开启模型的“思考模式”能提升其表现，但VitaBench 2.0的实验结果给出了相反答案：开启思考模式，在个性化任务上并不总是有帮助。从模型在开启/关闭思考模式下的性能与效率关系图可以看到，开启思考模式的点并没有稳定地比关闭模式更优越。

洞察三：AI普遍缺乏“主动沟通”的意愿

模型普遍缺乏在信息不足时主动提问的“眼力见”，所有模型家族在需要主动提问的任务上，得分都出现了“断崖式”下跌。例如，Claude家族的平均分从46.0骤降至27.4，表明AI倾向于“想当然”，而不是在不确定时“多问一句”。

洞察四：就算“喂到嘴边”，AI也未必会吃

直接把真实用户偏好告诉模型，性能虽有所提升，但仍有很大进度空间。即便把真实偏好直接告诉模型，多数模型仍然失败，说明即使拥有准确的用户画像，在高压、多约束的决策中正确应用这些偏好，本身就是一个巨大的挑战。

洞察五：从“工具失误”到“情商不足”的瓶颈转移

对模型的失败原因进行分类统计，在由66个真实工具构成的复杂生活服务场景中，早期模型更多地犯下工具使用错误，而更强的模型虽然工具用得更好了，但在偏好理解和应用上的失败却成了主要矛盾。这表明随着模型基础能力的提升，个性化已是当前Agent的最大瓶颈。

定义下一代智能体评测范式，VitaBench 2.0有何价值？

VitaBench 2.0清晰地揭示了，当前AI在成为“高情商助理”的路上，依然任重道远。它的核心价值在于推动了评测范式的演进：从单点任务到长期陪伴，从被动执行到主动沟通，从黑盒到透明。这使得VitaBench 2.0成为一座连接技术与产品的“桥梁”，用可量化的数据回答了“我的AI为什么不够好用”的问题，并为开发者指明了模型在“服务于人”这一终极目标上的具体短板。

希望VitaBench 2.0能成为一个起点，激发更多研究关注智能体的个性化、记忆和主动性，共同推动AI从一个强大的“工具”进化为一个有温度的“伙伴”。VitaBench 2.0已全面开源，各大模型能否通过这次“情商”大考呢？