待验证50% 置信观点精确时间
自建评测集与公开基准之间往往存在口径差异，测试集难度分布、答案候选数量等因素会显著影响绝对分数，因此 87.2 更适合作为团队内部验收信号而非横向对比依据。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/27
首次发现
有效期至：2027/1/25
来源
涉及实体
相关事实
待验证基于 Arena 用户投票的评测方式相比传统静态基准测试更贴近真实使用场景，也更难被针对性优化刷分78% 相似已验证基准测试成绩与用户真实体验之间存在鸿沟，部分厂商存在针对特定基准专项优化（刷榜）以及训练数据污染导致成绩虚高的现象78% 相似待验证源于评估方式的敏感性可能来自评分标准对特定表述有偏好、参考答案格式单一、或自动评估器对输出格式解析过于僵硬75% 相似待验证相对评分是在同一组织内部对个体进行横向比较（如百分位排名），其评分会随团队构成变化而漂移，且不直接对应外部标准。74% 相似待验证当评审出现低分高置信度且批评点站不住脚时，会放大评审意见与实际论据之间的落差，更容易被AC识别为评审质量问题74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1102932API
curl https://kongchang.com/api/v1/knowledge/claims/1102932MCP
get_claim(id=1102932)