待验证50% 置信事实精确时间
TrialPD-Bench的评估范围不限于最终答案正确性，还包括智能体轨迹的证据召回率、智能体行为模式和成本。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证FastBench 的每条样本都带有人工标注的证据区间，评测不仅判断答案对错，还能定位模型是否关注到正确的时间片段。72% 相似待验证测试看能否跑通（接口、格式），评估看做得好不好（事实准确率、幻觉、工具选择、任务完成率），二者是两回事71% 相似待验证当一轮提示词未通过内部质量检查时，Loop Assist会精确识别需要修改的部分并定位具体的失败条件，而非盲目重跑70% 相似待验证为得到公平可复现的结果，测试者需要明确区分并报告被测模型能力、harness配置、工具权限与执行环境、提示词策略等维度70% 相似待验证研究核心结论认为智能体评估应当对闭环结果打分，并把可靠性与覆盖率一并报告69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1023616API
curl https://kongchang.com/api/v1/knowledge/claims/1023616MCP
get_claim(id=1023616)