苹果提出移动端智能体基准 iPrefBench，评估推断偏好与主动询问能力

苹果团队提出移动端智能体评测基准 iPrefBench，专门评估 Agent 在模糊请求中准确推断历史偏好与发起主动提问的能力。该基准运行在包含 26 个 iOS 应用的环境中，评测 7 个前沿模型后发现，表现最好的 Claude Opus 5 虽取得 91.6% 的动作完成率，但完整任务成功率仅为 47.7%。