待验证50% 置信事实精确时间
模型能力评估如CBRN(化学、生物、放射、核武器相关能力测试)已成为大型实验室内部发布流程的标准环节
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/20
首次发现
有效期至：2026/10/18
来源
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64% 相似待验证评估模型智能体能力的主流基准测试包括BFCL（Berkeley Function Calling Leaderboard）、AgentBench、SWE-Bench；编码能力评测集包括HumanEval、MBPP、LiveCodeBench62% 相似待验证从检查点测试到正式发布，模型通常还需要经历微调优化、安全加固、推理效率优化和API适配等流程62% 相似待验证高保真度评估需要模型访问真实系统资源，这在隔离性与评估有效性之间产生根本张力62% 相似待验证核心检测组合为eGFR+UACR+胱抑素C+电解质，涵盖CKD分期与进展评估的关键指标，符合KDIGO指南推荐的监测框架62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/573973API
curl https://kongchang.com/api/v1/knowledge/claims/573973MCP
get_claim(id=573973)