待验证50% 置信观点精确时间

基于人类盲评的竞技场机制和真实任务评测可在很大程度上规避静态基准测试的过拟合（teaching to the test）问题

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

GLM-5.2开源模型登顶榜首，综合评测跻身全球前三

涉及实体

Code Arenaproduct DesignArenaproduct

相关事实

待验证自我验证方法能验证数据层正确性，却很难验证交互层正确性，而后者恰是游戏体验的核心72% 相似待验证Arena类平台采用成对盲测机制，用户在不知道模型身份的情况下投票选出更好的回答71% 相似待验证个性化计划越强，越依赖前期体测评估（如坐位体前屈、肩部活动度测试），无任何评估就直接推'定制计划'的多为营销噱头71% 相似待验证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71% 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一71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/892800

API

curl https://kongchang.com/api/v1/knowledge/claims/892800

MCP

get_claim(id=892800)