Active（主动学习，Active Learning）是机器学习中一种让模型主动挑选最值得学习样本或主动提问以降低标注成本的范式，在当前大模型与智能体浪潮中正从“数据筛选工具”演变为“交互式对齐与推理能力”的核心议题。近期的进展集中在两个方向：一是把主动学习引入奖励模型与偏好对齐，二是把“主动提问”本身作为衡量 LLM 推理能力的新基准。另一条热门主线则是 Meta 新发布的 Muse Wonder 系列智能体模型，其长时程任务执行能力与主动学习式的人机交互形成呼应。
Active Learning 近期进展
当前焦点与观察点
Active 方向的争议点在于评测的公平性：主动提问类基准（如 APB）与厂商自研指数（如 PSI）都缺乏统一的第三方标准，Muse Wonder “排名第二、得分 56”这类成绩仍需开源复现来验证。技术上，主动学习正从被动收集数据转向主动交互——无论是机器人主动求问偏好，还是智能体在长时程任务中自主补全信息，本质上都在回答同一个问题：模型如何以最小的沟通成本获得最大的信息增益。接下来的观察点有三个：主动偏好学习能否在真实机器人部署中降低人工标注量、APB 类基准是否会被主流评测榜单采纳，以及 Meta 的个人智能体路线能否在第三方基准上站稳脚跟。