待验证50% 置信事实精确时间

智能体使用PHREEQC回答158个执行验证的多选题，以精确测量检索对精度的影响。

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

检索工具输出代价：LLM智能体精度损失新发现

涉及实体

相关事实

待验证应建立基准测试机制，使用已知答案的标准问题持续验证Agent输出的准确性70% 相似待验证实验规模达到440次运行，评估标准为答案+证据契约，即结果必须正确且附带完整可验证的证据68% 相似待验证测试共跑了 130 个变体，覆盖不同推理努力程度，通过 OpenRouter 调用并尽可能锁定各实验室官方端点68% 相似待验证实验采用平衡准确率（balanced accuracy）作为评价指标，覆盖 8 个分类数据集68% 相似待验证实验表明门控目标在两个数据集上均获得最高平均准确率，验证了目标可靠性和评估优先级可独立优化67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1073401

API

curl https://kongchang.com/api/v1/knowledge/claims/1073401

MCP

get_claim(id=1073401)