待验证50% 置信基准精确时间

在 WOVEN 评测中，即便最强的 MLLM 也远低于人类水平，失败模式在不同模型家族中反复出现，单纯扩大模型规模并不能消除这些缺陷。

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

WOVEN：用视觉转移推理重构多模态LLM世界模型训练

涉及实体

WOVENproduct 多模态大模型concept

相关事实

待验证学术界已有多项研究表明，在MMLU、HumanEval等主流基准上得分领先的模型，在同等难度的新颖题目上往往表现大幅下滑70% 相似待验证LLM新模型的平均评估指标可能优于旧模型，但会在小众关键场景中出现退化69% 相似已验证在样本极度不平衡的场景下，即便准确率高达95%，模型也可能完全无法识别少数类69% 相似待验证在指标上得分超过前代模型并不等于充分解决了对齐问题67% 相似已验证在MMLU、HumanEval、GSM8K等主流评测中，头部大模型的得分差距往往只有几个百分点66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1013385

API

curl https://kongchang.com/api/v1/knowledge/claims/1013385

MCP

get_claim(id=1013385)