우리는 사용자에게 절차적 작업(procedural task)에 대한 실시간 단계별 안내를 제공하며, 언제 개입할지(when to interrupt)와 어떻게 코칭할지(how to coach)를 자율적으로 결정하는 선제적 멀티모달(multi-modal) 어시스턴트 시스템을 구상합니다. 그러나 실제 상황, 특히 사용자가 예상된 단계 순서에서 벗어나는 흔한 경우를 반영하는 대규모 교차 도메인(cross-domain) 벤치마크의 부재로 인해 발전이 제한되어 왔습니다. 우리는 네 가지 기여를 통해 이 격차를 해소합니다: extbf{(1)} 명시적인 계획 외(Out-of-Plan, OOP) 주석과 복구 단계(recovery steps)를 포함하여 선제적 절차적 보조를 위한 대규모 웨어러블-1인칭 시점(wearable-egocentric) 데이터셋인 extbf{EgoProactive}를 공개합니다; extbf{(2)} 기존의 다섯 가지 벤치마크(Ego4D, EPIC-KITCHENS, EgoExo4D, HoloAssist, HowTo100M)를 통일된 선제적 안내 스키마(proactive-guidance schema) 하에 extbf{Pro extsuperscript{2}Bench}로 확장합니다; extbf{(3)} 절차적 상태(procedural state), 시각적 단서(visual cues), 그리고 복구 주입(recovery injection)에 특화된 extbf{분리된 플래너-상호작용 아키텍처(decoupled planner--interaction architecture)}를 제안합니다; extbf{(4)} 모델 제품군 간에 전이 가능한 사후 학습(post-training) 레시피를 도입하며, 이는 Llama 4 및 Qwen-3.6-VL에 대한 교차 백본(cross-backbone) 복제를 통해 검증되었습니다. 광범위한 실험을 통해, 우리가 학습시킨 Llama 4 시스템은 6개 데이터셋 모두에서 강력한 독점적 베이스라인(Claude Opus 4.6, Gemini 3.1 Pro, GPT 5.2) 및 오픈 웨이트(open-weight) 베이스라인(Qwen3 VL 235B)보다 객관적인 개입 품질을 실질적으로 향상시켰습니다. 오라클 플랜(Oracle-plan) 실험은 계획의 품질이 통제되었을 때, 학습된 듀플렉스(duplex) 모델이 고품질의 안내를 생성하며 계획 외(Out-of-Plan) 복구에서 큰 이득을 얻음을 추가로 보여줍니다.