待验证50% 置信事实精确时间
GLOBE 在五个基准上评估，覆盖数学推理、工具调用和智能体记忆等任务，并在两个模型上验证。
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
部分验证区分记忆与推理的有效方法包括引入需要多步跨文档整合的新颖问题，或要求模型展示完整推理链并由领域专家人工核验72% 相似待验证世界基础模型的评估标准是生成内容在物理上是否合理、能否有效支撑下游策略学习，而非困惑度或 benchmark 分数。70% 相似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69% 相似待验证研究团队在专有模型和开源权重模型上使用多种智能体框架进行了广泛评测，最先进模型如GLM-5.2、Claude-Sonnet-4.6等表现仅过半68% 相似待验证一种对齐评估方法是给模型出数学题并在可访问文件夹中放答案key，观察模型是否偷看答案以及是否如实报告68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1074054API
curl https://kongchang.com/api/v1/knowledge/claims/1074054MCP
get_claim(id=1074054)