待验证50% 置信事实精确时间
研究团队用四个前沿LLM在七个数学和三个软件验证基准上评估了Maestro。
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
涉及实体
相关事实
待验证研究团队在五个被广泛使用的GUI智能体上进行了实验验证70% 相似待验证实验中测试了七个LLM并搭配多种提示策略。69% 相似已验证标准AI基准测试包括MMLU（涵盖57个学科的综合知识测试）、GPQA（研究生级别专业问答）、SWE-bench（真实软件工程任务）、HumanEval和MBPP（编程能力）、MATH和GSM8K（数学推理）69% 相似已验证MMLU评估模型在57个学科领域的知识广度，HumanEval测量代码生成正确率，GSM8K考察数学推理，HELM构建综合多维评估框架69% 相似待验证论文在五个基准测试和四个模型家族上进行了系统评估，SCOPE相比监督式图训练方法在多个基准上取得了更高的准确率。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1073839API
curl https://kongchang.com/api/v1/knowledge/claims/1073839MCP
get_claim(id=1073839)