[控场AI]
待验证50% 置信发布精确时间

研究者构建了 UtilityBench 基准，包含 15,000 个带有可验证答案的实例。

1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现

来源

UtilityBench：当错误代价不同，语言模型评估如何破局？

涉及实体

UtilityBenchproduct

相关事实

待验证研究者构建了TrialPD-Bench，一个由专家标注、包含150份公开临床试验方案PDF、覆盖四类任务的基准测试集。69% 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64% 相似待验证研究者采用 15 次运行来评估边界成立频率，而非依赖单次实验。63% 相似待验证实验对15个前沿模型进行了测试62% 相似待验证作者检查了约1500次检测调用，手动挖掘误报、调整边界框后重新训练模型60% 相似

引用此条事实

Stable URI
https://kongchang.com/claim/1073847
API
curl https://kongchang.com/api/v1/knowledge/claims/1073847
MCP
get_claim(id=1073847)