待验证50% 置信事实精确时间

EleutherAI 的 lm-evaluation-harness 和 Berkeley 的 SWE-bench harness 是较为知名的开源测试框架

1

来源数

50%

置信度

长期有效

时效性

2026/8/15

首次发现

来源

Terminal Bench 3发布：未被污染的AI终端能力基准测试

相关事实

待验证斯坦福的IFEval、清华的FollowBench是评估模型指令遵循能力的基准测试70% 相似待验证EleutherAI 的 lm-evaluation-harness 是 NLP 领域广泛使用的公开评测工具70% 相似待验证Weights & Biases提供实验追踪、可视化对比和模型注册功能，类似工具还包括MLflow和Neptune.ai61% 相似待验证OpenAI引入激活探针等监控升级，作为机械可解释性研究的工程化应用来检测潜在有害意图61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/751763

API

curl https://kongchang.com/api/v1/knowledge/claims/751763

MCP

get_claim(id=751763)