XYBench: Một benchmark cho các trợ lý AI khi đối mặt với câu hỏi sai lệch của người dùng

Hugging Face đã phát hành XYBench, một benchmark hơn 8K câu hỏi kiểm tra liệu các trợ lý AI có nhận ra những hiểu lầm ẩn sau yêu cầu của người dùng hay không, và nó đã giành Giải thưởng Bài báo Tài nguyên Xuất sắc nhất tại EMNLP 2026. Được xây dựng cùng Carnegie Mellon, NVIDIA và Johns Hopkins từ 8.115 câu hỏi thực tế, kết quả cho thấy Claude Sonnet 4.6, GPT-5, Gemini 3.1 Pro, Qwen3.5-9B và DeepSeek-V4 Pro đều nghiêng về yêu cầu được nêu hơn là mục tiêu thực sự của người dùng.