待验证50% 置信基准精确时间
在官方横评中,1017 版本终端任务提升 11.1 分,编程能力提升 8.8 分。
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
待验证新模型在厂商自己的11项基准测试中全部上涨,Terminal-Bench 4.0 提升 11.1 分,ProgramBench 提升 8.8 分。67% 相似待验证在代码生成任务HumanEval上,8bit以92.7%明显高于OQ4E的89.6%61% 相似待验证官方公布的11项基准中,终端操作测试4.0版从31.2提升到42.3,深度软件工程测试1.1版从74.2提升到77.0,自动化测试达到60.5,智能体终极考试(Agent终极考试)为35.4。60% 相似待验证在RULER-16K实验中,KVFetch使13项任务的平均分提升了+8.4,增益主要集中在需要顺序访问的任务上59% 相似待验证相比最强基线,POrchestra 将任务成功率平均提升了 9.1%58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1086985API
curl https://kongchang.com/api/v1/knowledge/claims/1086985MCP
get_claim(id=1086985)