论文揭示 BFCL 多轮评测存在提问不计分缺陷并提出动作决策评分方法

论文指出 BFCL 多轮基准测试在评估智能体主动提问时存在机制缺陷，其评分器会跳过提问轮次导致主动提问无法得分、盲目猜测不受惩罚。研究构建了 223 对完整与缺失信息的控制实验，发现 gpt-5.4 取得了 80.7% 的最高决策准确率却在官方榜单仅排第六，加入不提问提示词反而能让官方得分大幅提升 13.5 至 23.5 分。