待验证50% 置信基准精确时间
在十个智能体上的测试中，两条评审流程取得了 κ = 0.71 的检查点一致性和 Kendall τ = 0.87 的智能体排名一致性。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/28
首次发现
有效期至：2027/1/26
来源
涉及实体
相关事实
待验证实验采用平衡准确率（balanced accuracy）作为评价指标，覆盖 8 个分类数据集69% 相似待验证PAWS在2,522个分层抽样的行为样本上进行验证，独立的AI审查者与人类审查者在交互模式判定上达成89.4%的初始一致率69% 相似待验证对抗性测试用例应写成确定性的二元通过/失败检查器，而非使用模糊的相似度分数68% 相似待验证tau-bench 基准测试关注智能体是否达到预期的数据库状态，并要求在多次重复尝试中稳定成功68% 相似待验证人工评估常用标注者间一致性（IAA）指标如Cohen's Kappa和Krippendorff's Alpha来确保评估质量可靠性，一般Kappa大于0.7为可接受水平67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1106109API
curl https://kongchang.com/api/v1/knowledge/claims/1106109MCP
get_claim(id=1106109)