
XYBench 是 Allen Institute for AI 在 2026 年 11 月 13 日发布的基准,获 EMNLP 2026 最佳资源奖。它包含 8000 多个带错误前提的问题,专门测模型会不会顺着用户的误解往下答,而不是先指出问题再给可行方案。
官方用 Claude Sonnet 4.5 做自动评判,把回答里的建议逐条分类;参与测试的五个模型往往只解决表面请求,很少把用户从错误方法上拉回来。数据与代码都已公开。论文编号 2609.06842,数据放在 Hugging Face,代码在 GitHub 的 allenai/XYBench,评测脚本与提示词都可以直接复用。它测的是回答方式而不是知识量,和常见的选择题榜单互补。
- 评估助手在误导性提问下的表现;
- 做客服、医疗、教育类应用的安全评测;
- 需要一个公开可复现的基准。
数据统计
数据评估
关于XYBench(AI2 误区提问基准)特别声明
本站AI之旅导航提供的XYBench(AI2 误区提问基准)都来源于网络,不保证外部链接的准确性和完整性,同时,对于该外部链接的指向,不由AI之旅导航实际控制,在2026年11月22日 下午12:00收录时,该网页上的内容,都属于合规合法,后期网页的内容如出现违规,可以直接联系网站管理员进行删除,AI之旅导航不承担任何责任。
相关导航

OpenClaw 是开发者 Peter Steinberger 发起的开源个人 AI 助手(智能体),口号是「以龙虾之道?」。
Ripple-65B Preview(开源编程模型)
Ricursive 开源的 65B 稠密编程模型,1M 上下文、Apache-2.0,TerminalBench 2.1 达 80.52。

Grok(4.7 旗舰)
马斯克xAI公司2025年推出的Grok 4旗舰模型,实时联网、风格犀利的AI对话平台。

StepAudio 3(阶跃语音模型系列)
阶跃星辰开放平台语音系列:全双工实时对话、流式 TTS、综合音频生成、音乐生成与专业 ASR

DeepSeek(V4.1-Flash-1017)
中国DeepSeek公司2025年发布的开源旗舰V3.2版本,低成本高性能的推理对话平台。

Augment Code
前谷歌大脑团队打造的企业级 AI 编程智能体,主打超大代码库理解与多智能体协作。
LongCat-2.5(美团原生多模态)
美团 LongCat 最新原生多模态模型,1.6 万亿总参数、48B 激活,主打长程智能体与视觉编程。
Recursive Flint(40B 本地编码模型)
Recursive 开源的 400 亿参数 MoE 编码模型,每 token 激活 2.5B,主打笔记本与工作站本地跑 agentic coding。
暂无评论...
