待验证50% 置信基准精确时间
在 DeepSeek 真实 LLM 上，研究者在 GSM8K、MATH 和 BBH 三个基准上各取 50 个样本进行评测，GraphEvoResearcher 分别达到 98%、92% 和 82% 的准确率，在所有基线中最高。
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
待验证研究表明人类评估者在判断LLM输出的事实准确性时，正确率往往只有50%-70%69% 相似待验证大语言模型在GSM8K、MATH等数学基准测试上的得分率从最初不到50%提升至90%以上68% 相似待验证在 GSM8K 等数学基准上，PAL 和 PoT 相比纯思维链可将准确率提升 10-20 个百分点68% 相似待验证对 DeepSWE-1.1 中数千条智能体执行轨迹的审计发现，超过 80% 的轨迹包含对一个'想象中的评分器'的推理68% 相似待验证在从50%到92%的准确率提升中，REPL贡献最大（直接从50%跳至74%），随后领域知识注入、模糊搜索、公式追踪、系统prompt优化和bug修复层层累积68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1073969API
curl https://kongchang.com/api/v1/knowledge/claims/1073969MCP
get_claim(id=1073969)