研究人员推出了XYBench,这是一个旨在评估大型语言模型(LLMs)处理包含误解的查询的能力的新基准,这是一种常见的XY问题。该基准包含来自技术和日常领域的8,115个查询,评估LLMs识别误解和提供务实、预期解决方案的能力。实验表明,即使是领先的LLMs也经常直接回应字面请求而非根本问题,并且与人类相比,在识别用户误解方面存在显著困难。 AI
影响 凸显了当前LLMs的一个关键局限性,表明需要改进务实推理和用户意图理解。
排序理由 该条目描述了一篇介绍用于评估LLM能力的新基准的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →