待验证50% 置信观点精确时间

人类偏好驱动的评测方式弥补了传统benchmark（如MMLU）在真实使用场景中代表性不足的问题

1

来源数

50%

置信度

长期有效

时效性

2026/9/25

首次发现

来源

LMArena迎来新CEO：AI评测平台的机遇与隐忧

涉及实体

LMArenaproduct MMLUconcept

相关事实

待验证当前主流评测基准如MMLU、TruthfulQA、HarmBench大多针对单一维度设计，缺乏对价值观交互效应的系统性测量74% 相似待验证贴合自身场景的评测往往比通用榜单更能反映模型对用户的实际价值72% 相似待验证人类标注者在评估答案时存在信息越丰富越好的认知偏差，导致奖励模型将篇幅与质量隐性挂钩，是模型冗余的成因之一72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/949537

API

curl https://kongchang.com/api/v1/knowledge/claims/949537

MCP

get_claim(id=949537)