当人工智能助手在网购平台反复搜索不存在的商品，或在命令行界面持续尝试无法完成的操作时，这种看似执着的背后，暴露出当前AI系统一个被长期忽视的缺陷——缺乏及时止损的判断力。华盛顿大学与艾伦人工智能研究所联合开展的研究显示，即便是最先进的语言模型，在面对无法完成的任务时，超过半数情况会持续无效尝试，直到耗尽预设的交互轮次。
研究团队将这种关键能力定义为"智能体弃权"，其核心在于让AI在动态交互过程中自主判断任务可行性。与传统AI拒答机制不同，后者仅需在单轮对话中给出"无法完成"的结论，而智能体弃权要求AI在每轮交互后持续评估：是继续探索、给出答案，还是停止行动。这种决策模式更接近人类行为——就像侦探在发现线索中断时及时收手，而非在死胡同里盲目挖掘。
实验构建了包含2.8万个任务的测试基准，覆盖网络购物、命令行操作和互动问答三大场景。在网购测试中，研究人员特意设计了"幽灵商品"：将目标商品从数据库删除后重建索引，使AI接收到的指令在语法上完全正确，但实际操作中注定无果。这种设计精准模拟了现实困境——AI需要先执行搜索动作，才能发现商品不存在的真相。
对13个主流语言模型的测试结果令人意外。在网购场景中，8个被测模型有6个在10轮交互后的弃权率不足50%，表现最佳的Llama-3.3-70B及时弃权率（首轮判断）仅26.7%。命令行场景的数据更具对比性：使用相同底层模型的Codex CLI和Terminus 2框架，弃权率分别为38%和18%，显示操作框架对决策质量的影响超过模型本身。
研究拆解了不同类型任务的难度差异。基于请求的弃权任务（如存在逻辑矛盾的指令）相对容易识别，而基于环境的弃权任务（如搜索不存在的商品）则困难重重。在问答场景中，模型对"答案未知"类问题的弃权率可达59%，但对需要环境验证的"意图不明"类问题，错误弃权率高达34%。这种选择性失明暴露出当前AI在不确定性处理上的结构性缺陷。
模型规模与弃权能力的关系呈现反直觉特征。虽然Qwen-3系列从8B到235B的模型总体弃权率随参数量增加而提升，但及时弃权率几乎停滞不前。更强的推理能力同样带来意外效果：启用深度思考模式的Qwen-3-235B在首轮判断准确率提升的同时，10轮总弃权率反而下降，显示过度推理可能导致模型在错误方向上越陷越深。
针对这一困境，研究团队提出创新解决方案——CONVOLVE框架。该系统通过三步流程提升AI的止损能力：首先记录完整交互轨迹，接着用反思模型分析无效行为模式，最后将经验转化为结构化规则手册。在网购场景测试中，仅需20条训练样本就能使Llama-3.3-70B的及时弃权率从26.7%跃升至57.4%，且这些规则可跨模型迁移——8B模型总结的经验能使70B模型的准确率提升近一倍。
这种轻量化改进方案在命令行场景效果更为显著。应用CONVOLVE后，Llama-3.3-70B的及时弃权率提升31.3个百分点，总体弃权率提高12.9%。与传统上下文学习方法对比显示，CONVOLVE在中小规模模型上具有明显优势，验证了结构化知识迁移的有效性。
实验数据揭示出AI发展中的认知偏差：当前训练范式过度聚焦任务完成能力，忽视了行动经济性。在真实应用场景中，这种缺陷可能导致严重后果——医疗诊断AI可能持续推荐无效检查，金融顾问AI可能反复建议不可行的投资方案。研究团队强调，构建可靠的智能体系统，必须将止损能力纳入核心评价指标。
