核心结论
卡内基梅隆大学、华盛顿大学、Handshake AI、斯坦福、普林斯顿与加州大学圣迭戈分校团队于Asia/Shanghai 9月4日公开的预印本TAHI提出：通过在部署阶段持续利用人机交互信号进行测试时自适应，智能体可在仅数十次任务内向个体专家对齐，在写作与视觉生成两域、30人600任务的受控实验中单任务成功率最高提升20.9%，演化所得的评估准则比单源准则多捕捉16.0%–22.3%的失败，且个性化后仍能跨用户泛化最高8.8%。该结论为作者在受控条件下的相关性发现，属预印本未同行评审的阶段性结果。
研究主体与状态
论文题为Efficient Test-Time Adaptation through Human-AI Interaction，第一作者Zora Zhiruo Wang等25人，通讯与机构归属为上述六家单位。研究状态为预印本，公开于arXiv:2609.04141，提交历史Thu, 3 Sep 2026 17:33:18 UTC，对应Asia/Shanghai 2026-09-04 01:33:18，落在当日00:00–23:59窗口内；论文列于arXiv cs.AI 2026-09-04（Fri, 4 Sep 2026）当日列表，尚未经期刊或会议同行评审，作者未声称已获录用。
方法与数据范围
方法上，TAHI将人机交互建模为共享环境下的交替行动序列，人在Plan、Deliverables、Message、Rubrics四通道提供规划调整、产物直接编辑、文本反馈与准则指定信号。适配分为两类：上下文自适应以可编辑的记忆与技能文件沉淀事实与流程知识，便于检查修改；权重自适应以DPO在LoRA适配器上鼓励生成符合人类最终编辑的输出，捕捉更持久的行为变化并避免上下文膨胀。演化验证器以大模型将交互流式结晶为自然语言核查清单，允许人纠正，并自动对中间产物打分。数据范围为两域各15人、每人20任务的流式序列，共30人600任务；基座为可训练的Qwen3.6-35B，界面基于开源Agent Cowork扩展，结果在留出任务与跨用户准则上分别验证泛化。
主要结果
在20轮流式适应内，上下文与权重自适应均实现高效提升：在线适应相较离线基线，上下文提升4.5%–12.9%，权重提升4.5%–20.9%；在同人的额外留出任务上，上下文与权重分别保持3.2%–6.6%与4.8%–5.2%增益，显示跨任务泛化。演化准则作为可扩展标注工具，在不完美输出的缺陷检出上比LLM单源与人类单源准则多16.0%–22.3%，而跨用户评估揭示专长可分解：共享条目增益0.3%–8.8%，个人条目增益6.2%–19.6%，说明模型同时学到社区共识与个人偏好。效率对比显示权重自适应以更紧凑的推理成本达到相近或更优增益，适合多会话长期服务。
限制与边界
作者与本文均明确限制：预印本性质未经独立验证；评估仅限两类开放式创作任务与30名专家的受控环境，未涵盖代码、教育等其他领域；依赖特定基座与定制界面，迁移至其他模型或真实工作流需重测；演化准则的失败捕捉率基于特定验证器与二元判定，未开展大规模真实用户满意度与长期留存的系统性评估，不能直接外推为生产环境收益或行业普遍结论。
是否同行评审与潜在意义
截至9月4日，该工作为arXiv预印本，未经同行评审，相关数字为作者实验观测，需独立复现。若被验证，TAHI为开放式、准则分散的真实任务提供了可操作的测试时对齐路径：将以往被弃用的多轮交互转为可复用的个体化学习信号，并以演化准则支撑可审计的训练与评估。对中国的多智能体与人机协作研究具有参考价值，提示在数十次交互预算内以权重与上下文双路径捕获个体专长，同时以准则演化降低人工编写评估标准的成本，但部署前仍需在自有任务、用户群体与基座模型上复测效果与成本。