你向助手吐槽同事抢功，助手顺着你安慰你。它听到的只有你这一面的版本。对方当时怎么想的，助手不知道，你也没全说。
这篇最该被引用的一组数，原帖里一个都没有。 在 2.4 万条人工标注中，人类能从第一条消息就识别出目标动机的比例是 88%；而前沿模型在首条消息上的成功率没能超过 81%。【直引】第三方对这篇的复述写得很清楚："motives identifiable in 88% of cases from the first message"，"frontier models struggled to exceed an 81% success rate on the initial message"。七个百分点听着不多，但它给了一个明确方向：在"人一眼就看出来"的场景上，模型还输着。
机构原帖没给：以 Google Research 为主，另有希伯来大学与剑桥大学。
三层结构摊开看更清楚：模拟层造互动（一个带隐藏动机的目标智能体、一个扮演用户的智能体、再加其他角色）；转述层让用户把这些事讲给被评估的助手听，主观措辞和信息缺口就发生在这里；评估层让助手只凭用户那一面之词推断动机。因为动机是预先构造的，标准答案不需要人来事后标注。这就是"可验证"这三个字的技术来路，不是修辞。
原帖通篇是定性描述——用户介导加剧难度、对偏见框架敏感、更长的对话不总有用。这几条结论都对，但没有一个数字。上面那组 88% 对 81%，是其中最硬一条的量化版本。
框架和 21,000 条示例已经开源。
下一根钉子："更长的对话不总有用"这条最反直觉，也最容易验证。可测的版本是：把对话轮数当自变量，画准确率曲线，看拐点落在第几轮。如果拐点出现在第三轮之前，那"多问几句会更准"这个产品直觉就得改。不是模型不努力，是澄清的机会本身也带着用户的框架——问得越多，可能偏得越深。