待验证50% 置信事实精确时间

即使经过微调达到 65.7% 的准确率，距离人类 87.2% 的水平仍有不小差距。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/13

首次发现

有效期至：2027/1/11

来源

SpaceCast-Bench：视觉语言模型的预测性空间推理新基准

涉及实体

Qwen3-VL-4Bmodel SpaceCast-Benchproduct

相关事实

待验证研究表明LLM裁判与人类评分的一致率约为80%，接近但尚未超越人类自身一致性水平（约81%）72% 相似待验证63%的提升幅度是相对于基线的相对提升，而非绝对准确率的提升71% 相似待验证在 n=100 且正负样本各半的条件下，55% 准确率的 95% 置信区间大致在 45%–65%，覆盖 50% 的基线，因此 5 个百分点的差距可能是随机波动。70% 相似待验证85%的准确率在科研意义上是显著进步，但距离临床级别的可靠性门槛仍有距离70% 相似待验证对64个样本观测到61%通过率时，其95%Wilson置信区间大约为48%到73%69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1013361

API

curl https://kongchang.com/api/v1/knowledge/claims/1013361

MCP

get_claim(id=1013361)