一句话：AI 太会顺着你说话了。你问「怎么用正则解析 XML」，它认真给你讲正则语法，可你真正想要的只是把数据从 XML 里掏出来。AllenAI 联合 CMU、NVIDIA、约翰霍普金斯大学发布的 XYBench 基准，用 8115 条真实问题测了一圈主流模型，结论扎心：字面问题答得又全又稳，深层目标普遍被放跑。
说白了，AI 像个特别配合的客服：你说什么它接什么，就是不问你一句「你到底想干嘛」。下面拆三件事：这个基准怎么设计、数据差在哪、你以后提问该怎么改。
先说结论：AI 太会顺着你说
最硬的一组数字在 Stack Overflow 场景：模型解决字面问题（论文里叫 Y）的比例是 75%-86%，解决深层目标（叫 X）的只有 59%-71%，差了十几个百分点。
再看回答的重心。能把重点放在深层目标上的模型只有 35%-41%，其余都在顺着字面问题往下写——大量的算力，花在帮你完善一个你其实并不想要的方案上。
更狠的对照是拿人当标尺：人类识别出提问者误解的准确率是 79%-90%，最强模型也只有 63% 左右。机器读题的能力，被真人甩开一大截。
这个结果不是单一场景的偶然：四个来源、8 千多道题，结构都差不多——答字面问题轻轻松松，解深层目标集体掉一档。越顺着说，错得越体面。
XY 问题：你到底想要啥
先讲定义。XY 问题是程序员圈的老梗：你想达成目标 X，误以为方法 Y 可行，于是到处问「怎么做 Y」。问得越具体，别人越当真，越没人发现你问错了题。
例子一：用户问「怎么用正则解析 XML」，深层目标只是「从 XML 里提取数据」。正则和 XML 本来就不是一对，问法一出，所有答案都被带偏。
例子二：有人问「怎么让奶油更黏」，真问题其实是蛋糕太热、奶油挂不住。盯着「更黏」使劲，等于帮别人加固一个错误方案。
这类问题有个共同点：问法越具体，越没人起疑。你连方案里的细节都说清楚了，谁还去琢磨你为什么要这么做。
八千多道题，四个来源
XYBench 一共 8115 条问题，都是带隐误解的那种：嘴上问的 Y 和心里想的 X 对不上。论文发在 EMNLP 2026，代码挂在 GitHub 的 allenai/XYBench，谁都能复现。
四个来源：StackOverflow 1557 条、StackExchange 184 条、人工整理 102 条、WikiHow 日常问题 6268 条。大头是 WikiHow，说明这毛病不止程序员有，普通人问「怎么做」一样踩。
测试阵容挺齐：Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro、Qwen3.5-9B、DeepSeek-V4 Pro，从旗舰闭源到 9B 的开源小模型，都拉进来遛了一圈。
怎么评的？论文不止看答得对不对，还看两件事：一是回答能不能解决深层目标 X，二是重心放在哪。字面解和深层解分开打分，强调偏置单列一组数据，想糊弄过去都难。
数据拆开看，差在哪
划重点：四个来源上，模型普遍是 Y 解得比 X 好。Stack Overflow 字面解 75%-86%、深层解 59%-71%，这个结构在其他场景也成立，不是个例。
第二个发现是强调偏置：回答的重心摆在哪。只有 35%-41% 的回答把重点放在 X 上，剩下的默认按你问的字面往下写。模型不是不会，是太会顺着你。
第三个是跟人类参考答案比：识别提问者误解，人类是 79%-90%，最强模型约 63%。注意口径，这是把真人当标尺，机器离这根标尺还有一大截。
这几个数字要连起来看：不是模型不会解 X，是它默认你问的就是答案。75%-86% 的字面解证明能力在线，59%-71% 的深层解说明它没往那边想。
会选不会写，问题出在哪
最扎心的一组结果在问答之外：多选题里，模型全都表示自己更偏好「先搞清目标的务实回答」；一到自由生成，又老老实实答字面问题。嘴上说要，手上不干。
论文把这叫知识到输出的 gap：模型知道该追问「你到底想干嘛」，生成时却没有这个动作。它学到的统计规律是「问什么答什么」最容易拿高分，追问反而冒险。
顺着还能猜一层训练逻辑：现在的对齐方式奖励「有用」多过「较真」。你问错题它纠正你，容易被判成不配合，于是模型学会了假装听懂。
这种「会选不会写」也不是头一回见：选择题给了提示，模型能选出对的偏好；换到自由生成，真实分布就露馅了。知识在脑子里，动作跟不上。
普通人怎么用：给目标别给方案
对普通用户，启示就一句话：提问别只给方案。说「怎么做 Y」之前，先补一句「我的目标是 X，卡在…」。目标给足，模型才有机会往回纠你。
已经踩坑的也有救：AI 给的东西总不对劲时，先怀疑自己问错了题，别急着换模型。大多数情况是问题没问对，不是模型变笨了。
真要改，先练个说清楚的小动作：一句话带上目标和卡点，比如「我要从 XML 里提取数据，正则老是写不对，有没有更省事的办法」。目标一出来，AI 就不好再装糊涂。
但这里有个前提：基准测的是「模型能不能自己发现误解」，可日常用 AI 的人，本来就未必说得清自己的目标。真问题也许不在模型，在于我们大多数人不会提问。XYBench 把责任钉在模型身上，顺手也把镜子递给了用户。
