已过期50% 置信事实时间未知

SciMDEval专家级评测基准包含907个手工标注的高难度问题

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/7/2

首次发现

此条事实已过期，仅作历史留存，不再代表当前状态

有效期至：2026/9/30(已过期)

来源

SciMDR：7B小模型如何在科研推理上比肩GPT-5

bilibiliAgent创世纪

相关事实

待验证在实际测试中，一次Deep Research调用了104个智能体进行定向调研，基于22个来源、59条声明完成了事实核查63% 相似待验证Qoder CN在编程能力测试中获得90分，推理能力测试5题全对62% 相似待验证Ultra Review的验证阶段在测试中驳回了至少9个误报Bug59% 相似待验证幻觉检测领域常用的评估基准包括TruthfulQA、HaluEval和FActScore59% 相似待验证IFEval基准测试专门评估模型遵循可验证指令的能力，测试显示即使最强闭源模型在严格约束条件下的遵循率也难以达到90%以上58% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/57290

API

curl https://kongchang.com/api/v1/knowledge/claims/57290

MCP

get_claim(id=57290)