Ai2 用 XYBench 评估 5 个前沿大模型
摘要
我们在 XYBench 上评估了 5 个前沿大语言模型。 以 Stack Overflow 问题为例，相比专家人类回答，模型回答更少聚焦用户目标（例如提取 XML 数据），也更少劝阻错误做法（例如用正则解析 XML）。
摘要由模型根据原文撰写，以原文为准。
正文 · 原文
We evaluated 5 state-of-the-art LLMs on XYBench.
On Stack Overflow Qs, for example, model answers were less likely than expert human answers to focus on users’ goals (e.g., extracting XML data) or discourage mistaken approaches (e.g., parsing XML with regex).
来源：Ai2 · x.com
引用原文
allen_ai. We evaluated 5 state-of-the-art LLMs on XYBench.[EB/OL]. (2026-11-14)[访问日期]. https://x.com/allen_ai/status/2121294720026411387.