# SOB 基准测试：专门给大模型的结构化输出能力挑错

> 原标题：Show HN: A new benchmark for testing LLMs for deterministic outputs

- 来源：Hacker News 首页
- 发布时间：2026-04-29T16:01:51.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/11750
- 原文：https://interfaze.ai/blog/introducing-structured-output-benchmark

## 摘要

Interfaze 发布了一个叫 SOB 的基准测试，专门看大模型从文本、图片、音频里提取信息并输出成 JSON 时，到底靠不靠谱。它不像老测试只看 JSON 格式对不对，而是重点查字段里的值准不准——比如发票金额有没有瞎编。测试覆盖了 5000 条文本、209 张图片和 115 段音频，每道题都有人工核对过的标准答案。

## 推荐理由

Interfaze 发布 SOB 基准，用 5000 条文本、209 张图片和 115 段音频测大模型结构化输出，重点查字段值是否准确而非仅 JSON 格式。

## 锐评

值准确率单独拆出来算，这个方向对。做结构化抽取的人都知道，JSON 格式对不对是最好糊弄的，字段里的值有没有瞎编才决定下游要不要人工返工，发票金额错一位，对账就得重来。

GPT-5.4 文本排第 3、图像掉到第 9，多模态下字段值错会明显放大，这个信号比总榜有用。5000 条文本加 209 张图 115 段音频，量不算大，先当参考。
