待验证50% 置信基准精确时间

实验测试横跨六个异构基准（heterogeneous benchmarks）

1

来源数

50%

置信度

长期有效

时效性

2026/9/12

首次发现

来源

无教纲的学习：让AI智能体自主预习陌生环境

涉及实体

heterogeneous benchmarksconcept

相关事实

待验证研究团队选取了8个跨越不同能力层级的模型，在54个基准测试上进行交叉评估76% 相似待验证标准化AI基准测试(如HumanEval、SWE-bench)存在基准过拟合的失真问题72% 相似待验证不同基准的测试粒度、验证方式和任务来源差异显著，跨基准比较数字时需格外谨慎72% 相似待验证超越schema和协议检查的智能体一致性测试应覆盖语义契约验证、副作用声明、错误与降级行为、运维横切关注点和可替换性回归五个维度72% 相似待验证测试金字塔底层为单元测试（毫秒级、数量最多），中层为集成测试（秒级），顶层为端到端测试（分钟级、数量最少）70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/916380

API

curl https://kongchang.com/api/v1/knowledge/claims/916380

MCP

get_claim(id=916380)