InferBench 基准发布：评测模型意图理解

2026 年 10 月 7 日，新基准 InferBench 发布，用于评测大模型理解用户真实意图的能力。该基准用 12 个模型、20 个场景、2.8k 对话，测试 LLM 能否推断用户没说出口的真实优先级。结果显示，GPT-6 Astra 得分 76%，MiMo V2.6 Pro 以 75% 紧随其后，Gemini 3.1 Pro 为 69%；开源权重模型表现超出预期。分场景看，当优先级被明确说出时，模型 89% 能选对，而部分未明说时降至 60%。报道同时指出隐忧：模型犯错时依然自信，288 次错误决策中有 105 次以高于 90% 的置信度提交。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。