# ReqClarifyBench

面向仓库级软件开发，研究者构建了 ReqClarifyBench，用341个任务把模糊的用户意图、人工校验的详细需求文档和代码评测产物配成一套，并让带三种真实用户画像的模拟用户参与多轮澄清。六个大模型的对比显示，问得有效不等于文档写得好：澄清有效性最高的模型需求对齐反而偏低；但加入交互澄清后，平均需求对齐从0.212升到0.494，相对提升133.1%，代码生成得分也随之提高。

面向仓库级软件开发，研究者构建了 ReqClarifyBench，用341个任务把模糊的用户意图、人工校验的详细需求文档和代码评测产物配成一套，并让带三种真实用户画像的模拟用户参与多轮澄清。六个大模型的对比显示，问得有效不等于文档写得好：澄清有效性最高的模型需求对齐反而偏低；但加入交互澄清后，平均需求对齐从0.212升到0.494，相对提升133.1%，代码生成得分也随之提高。