待验证50% 置信事实时间未知
美团技术团队发布General 365推理评测基准，对26款主流大模型进行测试，大部分模型未能达到60分及格线
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30
来源
AI日报：OpenClaw性能提升3.5倍，Copilot Memory开放，编程工具全面进化
bilibili硅基米德AI
相关事实
待验证2022年Hoffman等人的Chinchilla论文重新校准了算力最优的参数-数据比例，指出此前许多大模型训练不充分67% 相似待验证该项目的50个样本属于概念验证级别，在更大规模真实生产环境中准确率可能出现波动67% 相似待验证Lovable在四维度评测中总分为56/100，迭代效率满分但部署和集成表现较差67% 相似待验证2023年多项独立研究表明部分顶级模型在标准数学推理测试中分数极高，但在等价的重新表述版本上成绩大幅下滑，表明模型学习的是测试模式而非真正的推理能力67% 相似待验证2023年的TruthfulQA基准测试显示，即便是当时最强的模型，在需要精确事实判断的问题上准确率也未超过60%66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/57166API
curl https://kongchang.com/api/v1/knowledge/claims/57166MCP
get_claim(id=57166)