待验证50% 置信事实精确时间
ProVe 使用 32B 提案者在六个基准测试上评估。
1
来源数
50%
置信度
长期有效
时效性
2026/10/21
首次发现
来源
涉及实体
相关事实
待验证企业支付审批系统项目中，六套全量测试的定义位于项目测试规范第154行。72% 相似待验证实验测试横跨六个异构基准（heterogeneous benchmarks）70% 相似已验证标准AI基准测试包括MMLU（涵盖57个学科的综合知识测试）、GPQA（研究生级别专业问答）、SWE-bench（真实软件工程任务）、HumanEval和MBPP（编程能力）、MATH和GSM8K（数学推理）69% 相似待验证工程落地建议之二：评估微调检查点时不仅测试目标能力B₁，还要针对一组解耦的对抗行为矩阵进行测试，将'微调后是否出现无关能力漂移'作为常规指标。69% 相似待验证测试中生成的代码通过了6项单元测试，CTF教学题给出正确答案，能正确识别截图中的报错信息69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1079144API
curl https://kongchang.com/api/v1/knowledge/claims/1079144MCP
get_claim(id=1079144)