arXiv:2610.39062：HEARSAYBENCH——评估大语言模型在结构性约束下提供个人咨询能力的基准

研究者发布HEARSAYBENCH，一个含400个测试用例、经区域内人工核验的人工撰写数据集，场景取自联合国等人权报告，覆盖80多个地区。该基准基于Amartya Sen的能力方法，检验模型能否区分个人形式上被允许做什么与实际能够做什么。在14个专有与开放权重模型上，所有模型推断用户处境的准确度都高于其给出建议的准确度，更强模型缩小了这一差距，但其建议仍不宜照做。