待验证50% 置信事实精确时间

传统大语言模型评测围绕单轮问答的准确性展开，给定问题输出答案后对照标准答案打分

1

来源数

50%

置信度

长期有效

时效性

2026/9/21

首次发现

来源

如何评估AI Agent：从工具调用到任务完成的全链路测评

涉及实体

大语言模型concept

相关事实

待验证大型语言模型可通过分析token概率分布、显式输出自我评估分数或多次采样观察答案一致性等手段近似估计决策置信度80% 相似待验证答案解析的鲁棒性往往直接决定评估得分，因为模型可能以多种格式表达同一答案78% 相似待验证自适应访谈与固定问卷的关键区别在于后续问题基于前一个答案的内容动态生成，依赖大语言模型的上下文理解能力74% 相似待验证指令微调使用问题-答案对格式的数据集进行训练，使模型更好地遵循自然语言指令73% 相似待验证评估指标以各模型自身正常散文输出为基线，采用各模型自身分词器计算的Token数以保证比较公平性72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/939640

API

curl https://kongchang.com/api/v1/knowledge/claims/939640

MCP

get_claim(id=939640)