CMU 等提出 XYBench 基准：最强 LLM 识别用户误解不足 63%，仍多照字面回答

CMU 等机构提出 XYBench 基准（8,115 条查询），考察 LLM 面对「XY 问题」式带误解提问时能否识别误解、给出实用方案。最强 LLM 仍多照字面回答（0.75–0.92），回应用户真实意图仅 0.33–0.71，识别误解最高 63%，远低于人类的 79–90%。模型在选择题中几乎都偏好「实用回应」却难以主动生成，论文将在 10 月 27 日 ICLR 海报环节展示。