待验证50% 置信基准精确时间
据原论文披露,Soteria在多个覆盖多样化工具使用任务的基准测试中,平均任务成功率达到最佳基线的1.7倍。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/16
首次发现
有效期至:2027/2/14
来源
涉及实体
相关事实
待验证研究者在三个工具使用基准测试上结合多个不同骨干LLM验证CITA,结果显示在Tool F1和任务成功率两项指标上都取得一致提升77% 相似待验证在智能体多轮工具调用场景中比较成绩时,应同时参考任务成功率和总生成 token 数,而非仅看 headline 分数。73% 相似待验证单任务基线是多任务调试中最重要的对照实验:保持数据划分、预处理和评估指标一致,为每个任务单独训练模型并记录验证集准确率。73% 相似待验证论文在五个智能体任务领域、24个基准和任务子集上进行了评估,Agentic-OPD相比其初始化检查点最多提升7.4分。73% 相似待验证调试和测试行为的增加表明智能体在任务执行中更注重验证,这可能是准确率提升的关键因素。72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1174148API
curl https://kongchang.com/api/v1/knowledge/claims/1174148MCP
get_claim(id=1174148)