待验证50% 置信基准精确时间

ExtractBench Pro 的评估结果显示，即便是最前沿的模型在完美解决复杂提取任务时也表现不佳。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/20

首次发现

有效期至：2027/1/18

来源

ExtractBench Pro揭示：复杂图表推理仍是前沿模型短板

涉及实体

ExtractBench Proproduct

相关事实

待验证目前，自改进智能体的归因分析仍很困难，难以准确区分失败是源于模型推理、环境状态观察还是工具接口问题。72% 相似待验证FDE-Gym的实验显示即使Agent掌握了全部关键事实，转化成功率仍不足一半，说明当前模型在长链路复杂任务上的规划与执行能力存在系统性短板71% 相似待验证孤立任务评估无法捕捉跨步骤的错误级联效应，即便各子任务得分较高也不能保证端到端流程的可靠性70% 相似待验证单一案例的成功或失败不足以对模型下定论，需在多维度、多难度任务矩阵中综合评估70% 相似待验证在模型选择时，关键问题是找到在评估集上以可接受准确率通过且运行成本最低的模型，而非最聪明的模型。70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1073165

API

curl https://kongchang.com/api/v1/knowledge/claims/1073165

MCP

get_claim(id=1073165)