待验证50% 置信事实精确时间
TestHallVQA 是一个多图 VQA 基准，结合了文档级规模、人类考试级别的难度以及可控的上下文冗余注入
1
来源数
50%
置信度
长期有效
时效性
2026/9/15
首次发现
来源
涉及实体
相关事实
待验证TestHallVQA 取材自科学考试场景73% 相似待验证通用基准如MMLU、GPQA、HumanEval的测试形式通常是单轮问答或独立任务，无法反映复杂工作流中的持续推理和工具协调能力67% 相似已验证软件测试按研发阶段可分为四个层次：单元测试、集成测试、系统测试和验收测试61% 相似待验证Office QA基准测试涵盖Word、Excel、PDF等格式中的信息抽取、表格推理和跨文档问答任务61% 相似已验证标准AI基准测试包括MMLU（涵盖57个学科的综合知识测试）、GPQA（研究生级别专业问答）、SWE-bench（真实软件工程任务）、HumanEval和MBPP（编程能力）、MATH和GSM8K（数学推理）60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/921799API
curl https://kongchang.com/api/v1/knowledge/claims/921799MCP
get_claim(id=921799)