跳到正文
实时
热点事件观察中

Hugging Face 发布 XYBench 基准测试

2 篇报道2 个报道来源1 天前更新

先了解这件事

AI 综述

Hugging Face 发布了 XYBench 基准测试，用于评估 AI 助手解决基于误解的问题能力。该测试包含 8150 个真实问题，结果显示 Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro、Qwen3.5-9B 和 DeepSeek-V4 Pro 在测试中倾向于关注用户错误假设而非实际目标，只有 35-41% 的回答以实际目标为中心。 该基准测试旨在测试 AI 助手如何应对基于误解的请求，例如询问如何处理滑落的糖霜，而实际问题是杯子太热。Hugging Face 于 2026 年 11 月 13 日发布该测试，并在后续报道中确认了测试结果和参与评估的 AI 助手。

AI 根据报道生成 · 更新于 1 天前

最新进展11月14日 01:02
Hugging Face 发布 XYBench 基准测试，评估 AI 助手解决基于误解的问题能力

报道时间线

沿着报道，了解事件的不同侧面。

11月14日
  1. Hugging Face Blog
    Hugging Face 发布 XYBench 基准测试，评估 AI 助手解决基于误解的问题能力

    Hugging Face 发布 XYBench 基准测试，包含 8150 个真实问题，评估 AI 助手识别用户误解并引导至正确解决方案的能力。Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro、Qwen3.5-9B 和 DeepSeek-V4 Pro 在测试中倾向于关注用户错误假设（Y），而非实际目标（X），其中只有 35-41% 的回答以实际目标为中心。

11月13日
  1. Ai2 Blog
    XYBench：解决提问背后问题的基准测试

    XYBench 发布，包含 8K+ 问题测试 AI 助手如何应对基于误解的请求；Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro、Qwen3.5-9B 和 DeepSeek-V4 Pro 在测试中常聚焦原错误方法而非用户实际目标。

本事件热度走势

可比范围当前
9
可比范围峰值
1711月14日 02:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。