待验证50% 置信基准精确时间

研究表明GPT-4作为评估者与人类专家评分的一致性超过80%，显著高于BLEU、ROUGE等基于词汇匹配的自动化指标

1

来源数

50%

置信度

长期有效

时效性

2026/7/25

首次发现

来源

大模型岗位新门槛：Agent可观测与评估实战指南

相关事实

待验证GPT-4级别的模型作为Judge时，其评判结果与人类专家的一致性超过80%84% 相似待验证在标准化测试中，GPT-4的表现已超过90%的人类考生78% 相似待验证经过优化的提示词可以将GPT-4在特定任务上的准确率从60%提升至95%以上76% 相似已验证GPT-4、Claude 3.5、DeepSeek等模型在HumanEval编程基准测试上的通过率已超过80%74% 相似待验证GPT-4、Claude等大模型在Spider等基准测试上的Text-to-SQL准确率已突破85%72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/613444

API

curl https://kongchang.com/api/v1/knowledge/claims/613444

MCP

get_claim(id=613444)