DeepMind 论文 XYEval：AI Agent 顺从错误建议，成绩最多下降 46.7%

DeepMind 发布 XYEval 论文与元评测框架，测试 AI Agent 在用户自信给出错误解决方案时的表现。团队使用 5 个模型和 6 套 benchmark，发现模型最多相对下降 46.7%，部分模型能识别真实解法却不反驳而继续执行错误建议；详细解释要求会加剧下降，系统提示只能部分缓解。