待验证50% 置信决策规则精确时间

调用量榜单反映真实生产环境中的选择，受价格、响应速度、稳定性、API兼容性等工程因素影响，与MMLU、HumanEval等基准测试存在本质差异

1

来源数

50%

置信度

长期有效

时效性

2026/10/1

首次发现

来源

PuppyRouter模型榜0923：GLM5.3爆冷夺冠，GPT6新发

涉及实体

MMLUconcept HumanEvalconcept PuppyRouterproduct

相关事实

待验证业界长期存在基准测试与真实部署场景脱节的痛点，模型在标准测试集上表现优异却在真实用户交互中暴露对齐问题71% 相似待验证在把市场托管模型视为与原生API等价前，应验证六个平价性维度：输出、工具调用架构、延迟、安全行为、上下文限制、价格71% 相似待验证评估模型实际性能需参考独立基准测试结果，如 MMLU、HumanEval、MT-Bench 等71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/965279

API

curl https://kongchang.com/api/v1/knowledge/claims/965279

MCP

get_claim(id=965279)