待验证50% 置信事实精确时间

基准测试“刷新纪录”意味着模型在该测试的评分上超过了此前所有公开结果。

1

来源数

50%

置信度

长期有效

时效性

2026/10/17

首次发现

来源

Gemini 4 Argon刷新WANDR纪录，Perplexity Pro/Max用户可用

涉及实体

基准测试concept

相关事实

待验证对同一测试用例执行多次调用统计成功比例得到通过率，比二元的通过/失败判断更能反映模型真实表现68% 相似待验证在第一阶段事后对比中，SAGE 的评估结果与原始竞赛中 105 份人工评审对比，序数一致性为 kappa = 0.29，属于「一般」水平66% 相似待验证研究团队指出推理时上下文管理在基准测试中带来的提升幅度超过了大多数已报告的系统间差异66% 相似待验证厂商自测的编码分数通常在精心筛选的子集上测量，独立机构在完整测试集上的复现结果往往偏低65% 相似待验证如果重排序后的最高分低于基于测试集验证过的阈值，应告知模型未找到相关内容。65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1050679

API

curl https://kongchang.com/api/v1/knowledge/claims/1050679

MCP

get_claim(id=1050679)