待验证50% 置信观点精确时间
众包式盲测评测被认为比传统学术基准测试（如MMLU、HumanEval）更能反映模型在开放式对话中的综合表现
1
来源数
50%
置信度
长期有效
时效性
2026/8/24
首次发现
来源
涉及实体
相关事实
待验证顶级模型在许多评估任务上已接近人类裁判的水平，但存在倾向于给较长回答打高分等偏见69% 相似待验证研究发现当提示词将模型设定为严谨的学术研究者角色时，其引用密度和真实性均显著高于通用对话角色69% 相似待验证人类标注者在评估答案时存在信息越丰富越好的认知偏差，导致奖励模型将篇幅与质量隐性挂钩，是模型冗余的成因之一67% 相似待验证目前主流LLM评测基准如MMLU、HumanEval、MT-Bench主要关注知识能力和指令遵循能力，对谄媚行为的系统性评估尚未形成行业标准66% 相似待验证评级结果依赖观察者主观判断，不同人对同一样品的读数可能存在半级至一级偏差，难以做到完全客观统一66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/795684API
curl https://kongchang.com/api/v1/knowledge/claims/795684MCP
get_claim(id=795684)