简短回答：目前大多还做不到。InterviewBench 是一项 2026 年发布的基准测试，评估了 23 个大语言模型担任访谈者的能力。结果显示，模型会把访谈提纲上的每个问题都问到，却常常拿不到清晰、可用的回答。在模拟访谈中，表现最好的模型覆盖了 100% 的问题，但真正引出目标信息的比例只有大约一半到三分之二。
最后更新：2026 年 10 月 28 日
\n\nAI 主持的访谈如今已广泛用于用户体验、市场和学术研究，而大多数评估只关心一个问题：对话听起来自然吗？复旦大学的一项新基准认为，这个标准测错了对象。对现代模型来说，语言流畅很容易；难的是让受访者说出具体、可记录的内容。本文总结这项研究测了什么、发现了什么，以及如果你用 AI 主持访谈，这意味着什么。
\n\nInterviewBench 是一个评估大语言模型访谈能力的基准，它考察的是访谈者真正需要的技能，而不只是提问听上去是否流畅。论文由 Shangzhe Dai、Feiyu Duan 和 Zhongyu Wei 发表于 Findings of the Association for Computational Linguistics: EMNLP 2026（2026 年 10 月），代码已公开。
\n\n作者把访谈拆解为三项能力：
\n该基准基于真实的广播访谈记录（INTERVIEW NPR 媒体对话语料库）构建，包含 5,500 道选择题、3,000 道开放生成题和 184 个多轮访谈场景。
\n\n研究设置了两种情境：一种是针对单次访谈决策的静态测试，另一种是与模拟受访者进行完整访谈的动态测试。
\n\n| 测试情境 | 模型要做什么 | 评分内容 |
|---|---|---|
| 静态：选择题 | 从四个选项中选出最合适的下一步动作 | 与真实访谈者动作对比的准确率 |
| 静态：有条件生成 | 在被告知要做哪种动作（如\"追问\"）时写出下一轮发言 | LLM 评审打分，0–100 |
| 静态：无条件生成 | 写出下一轮发言，并且必须自己判断该做哪种动作 | LLM 评审打分，0–100 |
| 动态访谈 | 按问卷提纲进行最多 20 轮的访谈，然后填写记录 | 完成度、效率、\"已说出的真实信息\"、回填准确率、受访者满意度 |
每个静态任务都涵盖四类访谈行为：主问题提问、追问、回应受访者，以及应对干扰事件。在动态情境中，研究比较了自主程度递增的四种工作流：结构化（按提纲顺序提问）、追问型（对不清楚的回答加入追问）、自适应（在提问、追问和回应之间自行选择）和智能体（还能自行决定如何处理干扰事件以及何时结束访谈）。
\n\n在静态测试中，闭源前沿模型领先。根据 Dai、Duan 和 Wei（2026）的结果，Gemini-3.1-Pro-Preview 在全部静态任务中的平均分为 85.1，Claude Sonnet 4.6 为 83.0，均高于 GPT-5.4 的 77.2。表现最好的开源模型是 GLM-5（76.9）、DeepSeek-V4-Pro（74.9）和 Qwen3.5-122B（73.6）。测试中最小的模型，例如 Qwen3-1.7B，得分约为 47。
\n\n更有价值的发现在于模型在哪里出错。几乎所有模型在被告知该做哪种动作时，写出的访谈发言都比需要自行判断时更好。换句话说，模型能写出一句好的追问，却不太擅长判断此刻是否需要追问。这一差距在\"回应\"类选择题上尤为明显：Gemini-3.1-Pro 得分 94.9，而 GPT-4o 仅 12.8、Qwen3-max 仅 12.0，尽管这两个模型在被指定动作后都能写出流畅的回应。
\n\n只收集到一部分。在动态访谈中，几乎所有模型和工作流都问到了提纲中 100% 的问题，但目标答案真正在对话中被说出来的比例——作者称之为\"已说出的真实信息\"（spoken truth）——要低得多。Gemini-3.1-Pro 的这一指标在 54.4%（智能体）到 65.4%（结构化）之间；Gemma-3-27B 最低只有 39.1%。
\n\n作者精确定位了失败环节。一旦受访者确实说出了答案，较强的模型就能以超过 97% 的准确率把它转换为结构化记录。瓶颈在于引出信息：访谈者问了问题，得到一个含糊或不完整的回答，然后就继续往下问了。
\n\n没有——在这项基准中，自主权越大，访谈反而越差。结构化和追问型工作流最稳定，在无干扰条件下效率约为 85。智能体工作流的效率降到大约 61–72，而且对每个模型来说，它引出的目标信息都少于结构化工作流。最极端的例子是自适应工作流下的 DeepSeek-V4-Pro，效率只有 32.9，\"已说出的真实信息\"只有 20.0；作者将这类失败归因于浪费轮次、陷入循环和过早结束。
\n\n访谈依然能完成，但受访者的体验变差了。当作者注入一次干扰事件——误解、拒答或自相矛盾——完成度几乎不变（从 99.94% 到 99.90%），已说出答案的回填准确率也只变化了 0.3 个百分点。然而，模拟受访者的满意度平均下降了 8.9 分。模型只是继续往下问，并没有修复互动。
\n\n结果来自模拟受访者，这一点很重要。敏感性测试显示，更换模拟受访者会改变绝对分数（对于结构化工作流下的同一个访谈模型，直接回填准确率随受访者模型不同，在 77.0% 到 86.7% 之间变化），不过各工作流的排名保持一致。原始数据是英语广播访谈，因此并未覆盖临床、招聘、田野调查和跨文化访谈；而且基准只考察文本，忽略了停顿、语气等语音线索。评分也由 LLM 完成，不过作者报告两个评审模型之间一致性很高（有条件生成上的 Pearson 相关为 0.956），并进行了人工审核。
\n\n实践上的结论是：\"AI 把我的问题都问到了\"并不能证明数据质量好。四点建议：
\n如果你正在设置 AI 主持的访谈，QualiTaTi AI 访谈员允许你把追问指令写进访谈提纲，并在分析前审阅每一份访谈记录。
\n\nInterviewBench 是复旦大学于 2026 年发布的基准，用 5,500 道选择题、3,000 道生成题和 184 个基于真实访谈记录构建的模拟访谈，来评估大语言模型担任访谈者的能力。
\n\nGemini-3.1-Pro-Preview 的静态平均分最高（85.1），Claude Sonnet 4.6 紧随其后（83.0）。GLM-5 是最强的开源模型（76.9）。
\n\n在被指示追问时，它们能写出好的追问；但自行判断何时需要追问的能力较弱。这就是在访谈提纲中写明追问规则有帮助的原因。
\n\n根据这项研究，并非如此。智能体工作流的效率更低，引出的目标信息也少于由提纲主导的结构化工作流。
\n\n来源：Dai, S., Duan, F., & Wei, Z. (2026). InterviewBench: Benchmarking Large Language Models as Interviewers. Findings of the Association for Computational Linguistics: EMNLP 2026, 45731–45787.
\n\n最后更新：2026 年 10 月 28 日。本文是 Qualitati 研究团队对第三方研究的独立编辑摘要，与论文作者无隶属或背书关系。
\n","related":[{"slug":"fast-vs-slow-silicon-sampling-2026","title":"快速 vs 慢速硅基抽样：一个提示词就够了吗？(2026)","description":"2026 年一项 GPT-5.4 研究发现，快速硅基抽样（一次提示词答完整份问卷）与慢速抽样同样可信，成本减半，但两者都丢失了大部分真实意见方差。","category":"AI 用户研究","date":"2026-10-27","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"silicon-samples-respondent-coverage-gap-2026","title":"硅基样本能替代真实受访者吗？2026 年六模型测试","description":"LLM 硅基样本能替代问卷受访者吗？2026 年一项六模型测试发现，合成人群能匹配答案分布，却覆盖不了真实受访者。","category":"AI 用户研究","date":"2026-10-26","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"ai-vs-human-interviewers-randomized-chat-experiment-2026","title":"AI 访谈员 vs 人类访谈员：2026 年随机实验发现了什么","description":"一项 2026 年随机实验比较了 AI 与人类访谈员的文字聊天访谈：切题程度相同，具体性差距未被检测到，文本多出 65%，但跳题更多。","category":"AI 用户研究","date":"2026-10-19","readTime":"8 分钟阅读","author":"Qualitati 研究团队"}]}