PresenceBench：大语言模型适应用户状态的探索性评估

临场感感知智能是指，AI 系统的智能层能够在保持任务质量与安全性的同时，恰当地适应其所服务对象的功能状态（此处指准备度、心流和稳定性）的能力。我们推出了用于测量这一能力的工具 PresenceBench。PresenceBench 评估的是智能层如何使用所提供的状态，而不是该状态如何被感知，并将这一能力拆解为可测量的属性。本文测试其中两项。接受度：模型是否会采纳该状态，并比没有状态信号时给出更好的响应？特异性：改进是否依赖于正确的状态，而非仅仅依赖额外的结构化上下文？第三项能力，即跨状态适应，是必须达到的最终目标，但未在本次发布中测量。我们采用五臂因果设计，针对每个模型自身的基线以及结构相同但状态不匹配的对照条件，同时回答这两个问题；评分采用以正确性为门槛的人类成对比较。探索性评估涵盖四个模型，涉及十八个单轮场景、六个固定三轮场景和六个模拟自然对话场景。向模型提供合成状态（原始提供，或转换为响应策略后提供）时，四个模型的总体人类偏好点估计均高于 0.5（Claude Sonnet 5、DeepSeek V4 Pro、Gemini 3.6 Flash、GPT-5.6 Terra），其中八个 95% 区间中的三个排除了随机水平。特异性尚未得到确证：没有任何单模型区间排除随机水平，而且当前设计尚不能将状态取值与泛化的适应指令区分开来。与各模型的基线相比，策略提供降低了计价成本和输出 token 数；由于尚未确立正确性的非劣效性，这些属于资源使用变化，而非效率提升。安全底线失效很少见（360 个案例中有 13 个），在策略提供条件下虽有所增加，但不具有统计显著性。我们报告了该工具、冻结后的结果，以及验证性研究所需的控制措施。