10 月 13 日提交 arXiv 的这篇论文（编号 2610.17757）把智能体评测里一个大家默认没问题、细想却全是窟窿的前提翻了出来：用户嘴里说出来的需求，从来就不等于把任务干完所需要的全部需求。论文分析了 100 条来自 SWE-chat 的真实用户-智能体轨迹，发现56% 的初始指令遗漏了后续才浮出水面的必要要求，而 52% 有用的补充需求本来可以从项目自身推断出来。用户按自己对任务的理解陈述需求，但完成任务这件事本身会提出另一些要求——智能体如果只对「说出口的」负责，交付物就会稳定地缺一块。
缺口不是意外，是结构性的
论文把这个缺口拆成两类需求。用户说出的需求建立在人对任务的理解上，天然带盲区：不知道代码里有历史约定，没意识到运行环境有隐含依赖，或者干脆没想起来上周改过的配置。而任务真正的需求由「把它完成」这件事施加，独立于用户的记忆与表达。两者的差不是态度问题，是信息问题——智能体恰好有机会接触用户接触不全的那些信息（代码、运行行为、仓库历史），却习惯性地把它们忽略，只当指令的复读机。
论文给「补上这一块」的能力起了个名字：结果对齐（outcome alignment）。核心主张只有一句话——把指令当作证据，而不是目标；从指令加环境里推断真正的需求，并且满足那些用户还没意识到的要求。
基准怎么把「推断」和「马后炮」分开
麻烦在于，这种能力直接测会漏成筛子：智能体大可以猜一堆需求，撞上算它的，撞不上也没损失。TiGanEval 的三个设计属性就是来堵这个口子的。其一，每个任务里用户确实缺一块需求，不是演出来的不完整；其二，每条被藏起来的需求都保证能从代码与运行行为中发现——推断有依据，不许瞎猜；其三，智能体自己推断出的需求，与用户看到交付物后才补充的需求分开计分——干得漂亮是你自己挖出来的，看到结果再补的不算。
八个前沿模型，没有一个及格
论文评了八个前沿模型（论文点名的包括 GPT-5.6-Sol），结论相当一致：从「给全需求」退到「只给人话」，成功率掉 53 到 67 个百分点。更值得琢磨的是两条阴性结果：让智能体提交后看到返工的后果、连改四轮，缺口不收窄；套一层计划模式脚手架，也补不上模型本身缺的能力。论文据此把结果对齐列入「下一代模型该练的能力」清单。
这个定位比数字本身更有信息量。过去两年企业挑智能体，验收标准基本是「听不听话」；这篇论文说，听话和办成事之间隔着一道工程缝，而这道缝今天连尺子都才刚有。
放进赛道里看
它与现有基准生态是互补关系。SWE-bench 一家子量的是「需求给全之后完成得多好」，TiGanEval 量的是「需求给不全时能不能自己补上」；前者考执行，后者考判断。对做编码智能体与科研智能体的团队，这篇论文的启发是双面的：推理时 scaffold 救不了模型的能力缺口，但训练时「把环境当证据源」完全可以成为一条数据配方。
需要保留的怀疑
三条边界必须立清楚。任务范围集中在软件工程与研究类，「需求可从代码发现」是人工构造的前提——换成需求本身就模糊的业务场景（比如「把这份报告写好」），基准的约束不再成立，过度推断的风险会显现。八个模型覆盖的是前沿档，中档模型是否同样掉分、掉了能不能补，论文没有回答。基准与指标刚发布，独立复现尚未发生，「53-67 分」这个区间要等第三方验证。
目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。但对正在给企业交付智能体的团队，有个自检问题今天就能问：你们的验收用例里，有多少是「用户一次性说全」的？如果全是，那份用例集可能一直在考智能体的听话程度。