待验证50% 置信观点精确时间

现有模型评测体系（如HumanEval、MBPP及各类Arena）主要衡量能力上限，很少将端到端任务完成率纳入评估维度

1

来源数

50%

置信度

长期有效

时效性

2026/9/2

首次发现

来源

AI Agent生态周报：Harness插件爆发、GLM 5.3护栏争议与Stripe收购OpenRouter

涉及实体

HumanEvalconcept MBPPconcept

相关事实

待验证模型在标准化评测基准（如HumanEval、MMLU）上的高分表现与真实工作场景中的可靠性之间存在显著差距70% 相似待验证在事实性评估任务上模型评判者准确率仍显著低于人类专家，但在风格、连贯性等主观维度已接近人类评审员间一致性水平68% 相似待验证Prompt优先方案（用一条超长指令串起数据分析流程）实测成功率不到40%68% 相似待验证在标准行人检测数据集（如MOTChallenge）上训练的模型，在俯视视角下的检测精度（mAP）通常下降40%-60%68% 相似待验证阈值函数的有效性高度依赖于底层模型输出概率的校准质量67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/842880

API

curl https://kongchang.com/api/v1/knowledge/claims/842880

MCP

get_claim(id=842880)