待验证50% 置信基准精确时间
在AlpacaEval 2.0基准上（GPT-4o作为评判者），经过三轮DNO-Prct迭代后，Llama 3.1 8B Instruct对GPT-4o的长度控制（LC）胜率从31.7%提升到45.3%。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/4
首次发现
有效期至：2027/2/2
来源
涉及实体
相关事实
待验证在HLE基准测试中，COMED将GPT-5.5的表现从23.1%提升到28.1%77% 相似待验证Llama 3.1 405B在MMLU上的得分已接近GPT-4o的水平，Qwen 2.5 72B在数学和代码生成基准上某些指标超越了GPT-4 Turbo75% 相似待验证研究者对四个模型追加一句要求实现“在满足功能需求的同时保证安全”的提醒后，GPT-5.6-Sol 的功能+安全通过率从 24.7% 升至 46.2%，GLM-5.3 从 21.3% 升至 38.2%，Qwen3.8-Max 从 22.0% 升至 37.6%，DeepSeek-V4-Pro 从 18.0% 升至 19.1%。73% 相似待验证搭配 GPT-4o 时，FinDialogLens 在成交结果判定上达到 94.3% 准确率72% 相似待验证在Earth-Bench和DisasterM3-Reason两个基准测试上，搭载GPT-4o的OSGR将准确率从49.3%提升至63.7%。72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1134206API
curl https://kongchang.com/api/v1/knowledge/claims/1134206MCP
get_claim(id=1134206)