待验证50% 置信事实精确时间
与仅考察功能正确性的基准（如HumanEval）不同，EffiBench要求模型在通过测试用例的同时尽量逼近参考解的资源消耗水平。
1
来源数
50%
置信度
长期有效
时效性
2026/10/26
首次发现
来源
涉及实体
相关事实
待验证该研究方法预注册了假设、阈值和分析方法，使用确定性正则表达式打分而非大模型当裁判，置信区间通过账单层面的聚类自助法计算75% 相似待验证研究者提出方法论主张：任何对数据集和题目取平均的安全分数，都需要先证明自己配得上'单一属性'的解读，然后才能用于模型比较。73% 相似待验证针对此类任务的基准测试需要设计具有已知答案的合成管道案例，以便客观计算模型的准确率和召回率，而非依赖人工主观打分72% 相似待验证为得到公平可复现的结果，测试者需要明确区分并报告被测模型能力、harness配置、工具权限与执行环境、提示词策略等维度72% 相似待验证有用的参考设计必须自带假设条件，任何效率结果旁边都应附上测试工作负载、环境条件、系统配置和测量边界。70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1098285API
curl https://kongchang.com/api/v1/knowledge/claims/1098285MCP
get_claim(id=1098285)