待验证50% 置信事实精确时间

实验覆盖了八款领先的 LLM。

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

AdaExploreBench：LLM智能体主动探索与环境自适应基准

涉及实体

AdaExploreBenchproduct LLMconcept

相关事实

待验证研究在四个数据集和五个开源权重 LLM 上进行了实验67% 相似待验证LLM-Blender 通过训练专用排序模型 PairRanker 来评估多个 LLM 的候选输出并融合最优结果65% 相似待验证过去几年大模型能力评估多集中在MMLU、GSM8K、HumanEval等学术型基准上63% 相似待验证LLM评估工程上通常借助RAGAS、DeepEval等框架，结合人工标注或用另一个LLM充当裁判来打分60% 相似待验证运行时规划模式使用8B规模的模型在运行时自行生成SQL、选择工具、决定分析流程，实验中使用了三个不同的8B模型60% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1074033

API

curl https://kongchang.com/api/v1/knowledge/claims/1074033

MCP

get_claim(id=1074033)