待验证50% 置信基准精确时间
在同一个包含200个中高难度任务的数据集上，Gemma 4能独立解决约53%的任务。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/30
首次发现
有效期至：2027/1/28
来源
小模型智能体编程：成本降百倍，成功率翻倍
youtubeAndroid Developers2026/10/30
涉及实体
相关事实
待验证CMU的Odyssey基准包含200个任务，每个任务配有多条rubric，支持部分得分而非单一二元判定71% 相似待验证该研究实验在MATH-500数据集的386个任务上展开63% 相似待验证Tīrtha Bench 的核心测试包含 800 个工具调用任务，取自伯克利公开的 BFCL 数据集，其中 400 个单次调用、200 个多工具选择、200 个需要并行调用的任务。62% 相似待验证额外的450个面向特性的任务和26个单特性探针显示，Kairos能处理所有十七个被探测的特性，而其他被评估的规划器没有一个能处理超过八个。60% 相似已验证以GPT-4o为例，每个工具的JSON Schema描述平均占用200-500个Token，当系统集成50个工具时，仅工具描述部分就会消耗1万至2.5万Token60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1117960API
curl https://kongchang.com/api/v1/knowledge/claims/1117960MCP
get_claim(id=1117960)