你说要健康食物，AI 端来了一盘难题

让 AI 挑出“健康食物”的照片，听起来不难。

直到它端来一盘浇满浓酱的沙拉。

蔬菜没变，酱汁多了，标签要不要改？如果你也开始犹豫，问题就不只是 AI 有没有听懂。你给它的标准，可能也还没想完整。

2026 年 11 月 4 日，Google Research 介绍了 Agile Deliberation：一种让人和 AI 一边看边界案例、一边磨清分类标准的工作方式。这项研究已发表于 CVPR 2026，预印本最早提交于 2025 年 12 月 11 日。官方介绍 · 论文记录

AI 概念插画：赤陶色与开心果绿的微缩场景，以中间待讨论的食物图卡比喻分类边界，并非真实实验画面或营养判断指南。

别急着多写几百字提示词

这套系统先把大概念拆成“哪些算、哪些不算”，再找来容易卡住人的图片。

关键在第二步。它不会只挑模型自己最没把握的图片，而是寻找能暴露定义漏洞的例子：比如同样叫沙拉，酱汁多少会改变你的判断？

你可以给图片打标签，再补一句日常语言的解释。系统把反馈整理进文字定义，并拿之前标过的图片检查新版本的表现。

整个过程中，研究者没有重新训练或微调基础模型。主要变化的是喂给视觉语言模型的那份“判断说明书”。方法与实现

这很像请人帮你挑照片。光说“要有氛围感”，两个人可能越聊越玄；摆出几张差一点就入选的照片，反而容易说清哪里不对。

试下来，模型更贴近谁的标准？

研究找了 9 位没有专业内容审核经验的参与者，每人做两场约 90 分钟的实验，共 18 场。任务涉及“健康食物”和用不切实际奖励吸引点击的图片。

参与者完成定义后，再给留出的 200 张测试图片打标签。这里衡量的是模型与这个人的判断是否一致。

在使用 Agile Deliberation 的“健康食物”组，F1 从直接使用初始描述时的 0.48 升到 0.58。F1 综合考虑误收与漏选，这个变化不能写成“准确率提高 10%”。参与者也普遍更喜欢这种工作方式。实验与结果

研究规模仍小，只有两类概念；作者也没有分别拆开检验“找边界图片”和“自动改提示词”各贡献了多少。研究局限

那盘难题，可能比标准答案更有用

我更愿意把它看成一种协作习惯：遇到“高级感”“适合小朋友”“值得收藏”这类要求时，先找几个让人犹豫的例子。

我们常把需求当成已经想好的东西，只差准确地说出来。但有时，恰恰是看见一个反例，才第一次知道自己在意什么。

那盘浓酱沙拉的作用，就是把藏在形容词后面的分歧端上桌。