待验证50% 置信事实精确时间
研究团队在七个基准上评估了 SPLIT，涵盖数学、科学问答、代码和软件工程智能体，涉及 26 个模型、175 个智能体系统和六种真实验证器，全部来自公开发布。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/19
首次发现
有效期至：2027/1/17
来源
采样、混合还是验证？不完美验证器下的推理算力最优分配
rss2026/10/16
涉及实体
相关事实
待验证研究团队选取了8个跨越不同能力层级的模型，在54个基准测试上进行交叉评估73% 相似待验证研究团队评估了七个当前最先进的大模型70% 相似待验证研究者构建了名为 ALIGNMENTFORECASTBENCH 的基准测试集，覆盖超过5000个预测问题、17个目标模型、32个数据集和16种失效模式70% 相似待验证GAUGE研究覆盖了来自六家供应商的25个智能体，并在τ²-bench和SimulatorArena两个基准上进行测试70% 相似待验证该基准一次性测试了来自六个实验室的18款模型，涵盖Anthropic、OpenAI、Google、DeepSeek、Qwen、GLM等69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1065989API
curl https://kongchang.com/api/v1/knowledge/claims/1065989MCP
get_claim(id=1065989)