待验证50% 置信决策规则精确时间
评测角色LoRA时应使用复杂提示词检验模型在全新场景中的泛化能力，而非仅测试记忆能力
1
来源数
50%
置信度
长期有效
时效性
2026/7/17
首次发现
来源
相关事实
待验证基准测试倾向于评估模型知道多少，而非能带来多少认知增量75% 相似待验证SkillSpector支持两种检测模式：不需要模型的本地规则静态扫描，以及接入大模型的深度语义分析70% 相似待验证评测重心正从模型输出文本的质量转向Agent完成端到端任务的能力，评测维度从单一准确率扩展为包含任务完成率、步骤效率、错误恢复能力、时间开销等多维指标69% 相似待验证benchmark hacking指模型可能针对特定测试集优化而非具备通用能力，导致基准测试成绩与真实世界表现之间存在鸿沟68% 相似待验证同一个模型用同一套假设检查自己的代码天然看不到盲点，跨模型审查因训练侧重点不同才具备互补价值68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/541285API
curl https://kongchang.com/api/v1/knowledge/claims/541285MCP
get_claim(id=541285)