Agent何时以及如何澄清？CIGAsk：用反事实信息增益教LLM提问澄清

面对欠规范的查询，指令微调的 LLM 往往径自选定单一解释而非请求澄清，产出自信却错误的答案。在我们的实验中，仅靠提示并不够：模型要么对每个查询都请求澄清，要么问出无法找回缺失信息的模糊问题。解决这一失败需要学习两个耦合技能：何时提问而非直接回答，以及如何提出能找回消歧信息的问题。现有方案要么只解决其中一个技能，要么需要单独训练的评判器。我们提出 CIGAsk，一个 RL 配方，在多轮 GRPO 循环中通过两个互补的奖励信号教授这两种技能。反事实信息增益（CIG）比较冻结参考模型在有与没有用户回答时金标准答案的对数似然，提供引导“如何问”的逐轮信用。非对称歧义奖励基于金标准歧义标签在终止 token 上赋予带符号奖励，引导“何时问”。在横跨表格、段落和开放域问答的三个澄清基准上，CIGAsk-7B 尽管骨干更小仍超越最强外部基线；它还能跨数据集迁移而无需逐数据集调参，同时在分布外基准上保持单轮问答性能。