XYBench 追问：提示词与训练能否让 LLM 给出更有用建议

Ai2 构建 XYBench，用于检验提示词工程或训练调整能否让 LLM 给出更有用的建议，并引导用户采用有效方案。研究发现，五个被测模型即使在用户目标被明确写出时，仍不如人类参考答案，容易让用户偏离错误方法。