待验证50% 置信观点精确时间
论文呼吁评测应覆盖全部五种能力，而不仅仅是任务成功率。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/22
首次发现
有效期至：2027/1/20
来源
涉及实体
相关事实
待验证该评测的机制分五步：提示、规划、寻找构件、组装构建方案、对照评分标准打分。74% 相似待验证评测方法为每个技能对应三个纯文本任务，每个任务在有技能和无技能条件下作答，每组重复 3 到 10 次，每个答案评分 5 次。73% 相似待验证评分体系将约束条件、一致性和导演意见落实全部交由代码检查，仅故事质量交由裁判模型回答五个是非题评估71% 相似待验证在留出预测任务中，IRT在所评估的五种方法中取得了最佳的Brier分数70% 相似待验证五项假设检查表包含：工作区可写且有空间余量、系统时钟大致正确、任务需要的每个主机可达、凭证存在且不会被打印、本次运行只有你在写。该检查表刻意排除性能测量和模型对比。70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1084008API
curl https://kongchang.com/api/v1/knowledge/claims/1084008MCP
get_claim(id=1084008)