待验证50% 置信事实精确时间
FrontierMath是一个专为衡量AI高等数学推理能力设计的基准测试
1
来源数
50%
置信度
长期有效
时效性
2026/9/12
首次发现
来源
涉及实体
相关事实
已验证FrontierCode is an evaluation benchmark for AI models' programming capabilities focusing on real engineering tasks rather than simple algorithm problems74% 相似待验证FrontierMath、ARC Prize等新一代评测尝试使用全新的、未公开的难题来检验模型的真实推理能力70% 相似待验证Frontier Code使用名为Mutagen的工具动态调整参考测试以适配智能体的不同实现方式68% 相似待验证FrontierSWE 由 METR（Model Evaluation and Threat Research）组织推出，衡量智能体完成数小时到数十小时规模的开放式技术项目64% 相似待验证质检层Harness的核心作用是解决大模型的幻觉问题，通过预算强校验、真实数据验证、场景匹配校验三道关校验数据62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/913880API
curl https://kongchang.com/api/v1/knowledge/claims/913880MCP
get_claim(id=913880)