待验证50% 置信事实精确时间
DiscoBench数据集从影视、体育、游戏、学术、金融等11个真实领域收集多跳问答样本，最终生成211个测试样本，包含463个歧义实例
1
来源数
50%
置信度
长期有效
时效性
2026/7/9
首次发现
来源
腾讯DiscoBench：评测LLM搜索代理歧义澄清能力的首个基准
bilibili熊二等兵2026/7/4
相关事实
待验证实验采用8:2比例划分数据，20%作为内部测试集，训练集内部使用5折交叉验证，并移除重复记录以避免数据泄漏57% 相似待验证当团队测试1000种策略参数组合，即便所有组合毫无预测力，纯粹由于随机性也会出现约50种在回测中表现优异的组合（多重比较问题）56% 相似待验证运行10次测试置信区间宽度约±31%，100次收窄至±10%，400次进一步收窄至±5%，推荐关键测试用例至少运行20-50次55% 相似待验证测评题量与信度存在权衡：低于30题的『快测』因抽样不足信度偏低，但200题以上的专业量表易产生答题疲劳导致后半段随意作答，60-120题是兼顾信度与完成质量的区间55% 相似待验证看实验数量要区分'总次数'和'独立主题数'：标称100+实验的套装往往是同一原理换配方的重复，真正不同科学原理的独立实验能达到20-30个已属优质，购买前看实验清单目录54% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/387218API
curl https://kongchang.com/api/v1/knowledge/claims/387218MCP
get_claim(id=387218)