待验证50% 置信决策规则精确时间
同一基准的不同版本(如 Terminal Bench 4.0 与 4.1)题目集和评分规则不同,分数不能跨版本比较。
1
来源数
50%
置信度
长期有效
时效性
2026/11/15
首次发现
来源
涉及实体
相关事实
待验证在 Terminal-Bench 上约 65% 的得分已属中上水平,但跨不同版本(如 4.0)比较需谨慎,因为任务集和评分规则可能调整。69% 相似待验证Terminal-Bench 4.0的标准误差为±2.6分,Opus 5的51.8%复现为52.3%,Anthropic称之为噪声。66% 相似待验证独立评测机构运行 Terminal Bench 2.1 时,MiMo 2.6 Pro、Qwen3 32B Max 等模型得分在 60 多分,远低于厂商公布值,评测框架本身也在变化,顶尖分数不完全可比。63% 相似待验证Fable 5.1 在 Terminal Bench Science 0.1 基准测试中得分 52.6%,相比上一代翻了一倍多61% 相似待验证在 Terminal-Bench 2.0 基准上,同一模型 Opus 4.6 在不同 harness 下得分从 60.45% 到 82.02% 不等(相差约 22 个百分点)。60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1172029API
curl https://kongchang.com/api/v1/knowledge/claims/1172029MCP
get_claim(id=1172029)