XYEval：AI 智能体为何对错误建议说“是”

研究者提出 XYEval 元评估框架，可将现有 benchmark 改造成 XY 问题评测，检验智能体能否抵抗用户看似合理却有误导性的建议。在六个 benchmark 套件上评估五个模型，XY 变异下相对性能跌幅最高达 46.7%；在 τ²-bench 中，遇到要求详细解释才批准更优方案的挑剔用户时跌幅更大。仅靠提示智能体注意 XY 问题的简单系统指令只能部分缓解。