待验证50% 置信基准精确时间
与强自适应分配基线相比,该方法在HumanEval上取得了最高11.39个百分点(LLaDA)和10.98个百分点(Dream)的绝对覆盖率提升。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/10
首次发现
有效期至:2027/2/8
来源
涉及实体
相关事实
待验证与同等参数量的单步模型相比,Spatial-TRM 的上下文准确率相对提升 44.0%,绝对提升 9.02 个百分点。66% 相似待验证基准过拟合是当前大模型评估的核心问题,部分模型在HumanEval上达到90%以上通过率但在真实代码库中表现远不如预期66% 相似待验证在64倍压缩下,AdaMem平均相对增益扩大到14.6%,在PopQA数据集上最高提升9.8个百分点(19.7%)66% 相似待验证Reflexion框架在HotpotQA、HumanEval等基准上相比单次生成基线提升了10%~20%的准确率65% 相似待验证梯度提升模型的干预技能值为-0.12(95% CI -0.21 至 -0.05),表明隐藏干预信息后模型表现反而更好。65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1154143API
curl https://kongchang.com/api/v1/knowledge/claims/1154143MCP
get_claim(id=1154143)