待验证50% 置信事实精确时间

现有基准测试如WebSRC、Design2Code主要衡量结构还原度，并不涉及品位判断

1

来源数

50%

置信度

长期有效

时效性

2026/7/11

首次发现

来源

GPT-5.6三模型发布：Sol/Terra/Luna全解析与设计判断力突破

redditr/singularity2026/7/9

相关事实

待验证编程能力的评估通常参考HumanEval、MBPP、SWE-bench等标准化基准测试，但实际工程场景表现与基准测试结果存在差异72% 相似待验证代码基准测试主要覆盖算法题与函数级代码生成，评测分数高并不直接等同于工程实战能力强72% 相似待验证SWE-bench因贴近真实工程场景被业界认为是最具实际参考价值的代码基准测试67% 相似待验证该基准测试采用完全自动化的双维度评估方式，包括功能测试维度和视觉还原维度67% 相似待验证选型时应以自身真实场景测试为准，而非单纯参考厂商公布的基准分数66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/474323

API

curl https://kongchang.com/api/v1/knowledge/claims/474323

MCP

get_claim(id=474323)