待验证50% 置信事实精确时间
FINAL-Bench 是该基准测试的框架和竞赛基础设施，负责定义评估标准、问题集和排行榜机制，角色类似于评测协议层。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/14
首次发现
有效期至：2027/1/12
来源
涉及实体
相关事实
待验证该基准测试的每个响应包含两部分：<think>块记录模型声明的推理过程，<final>块指定其意图执行的动作；一个裁判模型首先评估最终动作，给出SHORTCUT、HONEST_FAIL、LEGIT_ESCALATION等标签，推理轨迹作为支持性证据而非判断的唯一依据。71% 相似待验证JudgeBench和ContextualJudgeBench是用于评估AI裁判模型判断质量的标准化基准测试集71% 相似待验证评估闭环是test-time compute研究方向的典型应用，通过推理阶段投入更多计算来提升输出质量而非依赖更大模型参数68% 相似待验证SWE-bench采用端到端评测模式：给定一个GitHub issue，Agent自主操作代码仓库，以能否通过该issue对应的测试用例作为唯一评判标准68% 相似待验证对于需要审查完整轨迹的复杂Skill，可以引入LLM as a Judge配合评分标准（rubric）来判断通过或失败67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1023375API
curl https://kongchang.com/api/v1/knowledge/claims/1023375MCP
get_claim(id=1023375)