Hugging Face发布XYBench基准:测试AI能否识别用户误解
XYBench: Helping with the problem behind the question
Hugging Face联合CMU、NVIDIA、约翰霍普金斯发布XYBench,含8115个真实问题,覆盖编程与日常场景,评测模型能否识别用户提问背后的错误假设并引导至真实目标。测试显示Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro等模型多聚焦表面请求,识别误解能力仍落后人类。
HHugging Face Blog阅读原文