待验证50% 置信事实精确时间

GAUGE区分了两种评测有效性：排序有效性（能否正确把强者排在前面）与构念有效性（所测指标是否真的对应任务成功）

1

来源数

50%

置信度

长期有效

时效性

2026/9/14

首次发现

来源

GAUGE研究：何时不能信任LLM-as-a-Judge的智能体评测

涉及实体

相关事实

待验证评估Agent时需要区分正确性与一致性，用外部正确性标签衡量比单纯统计终态一致性更有意义71% 相似待验证作业分数衡量任务完成质量，而考试分数衡量知识内化程度，二者存在关键差异70% 相似待验证分组查询注意力（GQA）在推理效率和模型质量间取得平衡69% 相似待验证技术评估中存在认知偏差：容易把能力的可演示性误认为可靠性68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/919798

API

curl https://kongchang.com/api/v1/knowledge/claims/919798

MCP

get_claim(id=919798)