智能体现在最大的短板是不够会配合。三篇新出炉的arXiv论文，分别从交互、数据、输出三个方向给出了解法。
第一篇《Learning to Clarify Underspecified Intents Under Limited Interaction》盯的是"不会问"。用户丢来一句没头没尾的需求，AI要么硬猜，要么追问到底，两边都难受。这项研究把"何时问、问什么、问几轮"变成可学习的策略，在有限的交互预算下拿到最准的结果。现实里没人愿意回答十个问题，关键是用最少的问题换最高的信息量。
第二篇《Imagine to Act》解决的是GUI智能体的数据荒。想让智能体学会点按钮、填表单、跨应用跑完整流程，就得喂海量操作轨迹，可真机采集又贵又慢。团队用图像编辑世界模型"想象"出界面变化，合成高保真的训练数据。数据规模能上去，智能体的泛化能力才谈得上。
第三篇《One Figure, Every Canvas》更具体：论文里的流程图要同时塞进双栏版面、16:9幻灯片、竖版海报、1:1社交图和9:16手机预览，每种画布约束都不同。作者搭了一条智能体流水线，自动完成可编辑的流程图重排。要的是可编辑，不是截图硬凑。
三篇放在一起看，方向是一致的：智能体正在从"能回答"走向"会协作"——问对问题、有数据可练、输出能适配场景。这比单纯堆参数更接近真能用的产品。