待验证50% 置信事实精确时间
N个情境乘以M条规则，朴素枚举会产生N×M个测试用例；SIT-Eval用均匀采样控制执行时间，但论文未给出「均匀」之外的采样细节。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
SIT-Eval：对话Agent评测的管道缺口与逐轮评估新范式
rss2026/10/20
涉及实体
相关事实
待验证标称支持1M上下文并不等于在1M长度下仍能保持同等推理质量，业界常用'大海捞针'测试来检验模型在超长上下文中的信息检索与推理能力。69% 相似待验证自洽性检验通过让模型对同一问题多次采样比对答案稳定性，只消耗推理时间而不增加显存峰值66% 相似待验证该基准测试存在以下局限：裁判可靠性问题、100个场景每个只运行一次的样本量限制、单一压力条件、纯文本环境、<think>块不保证能访问模型完整的内部推理、泛化能力有限。66% 相似待验证在 MT-Bench-PT 的六道安全题中，有两道题上 LLM 裁判无论被评回答是什么都一律拒绝打分，静默削减了该类别下的有效样本量 N。66% 相似待验证论文证明在有限p阶矩条件下（p>1），(θ_t, m_t)联合过程以几何速率遗忘初始条件，存在唯一的平稳因果解。66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1074916API
curl https://kongchang.com/api/v1/knowledge/claims/1074916MCP
get_claim(id=1074916)