待验证50% 置信权衡取舍精确时间
CUE的实验以τ²-Bench为主要舞台、拟合数据以客服交互为主，其在医疗、法律等更专业领域的校准效果仍有待后续验证
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/5
首次发现
有效期至：2027/1/3
来源
涉及实体
相关事实
待验证论文在τ²-Bench多轮交互评测基准上验证了CUE的效果76% 相似待验证τ2-bench是专门评估大模型工具调用能力的基准测试，模拟真实世界中智能体需要处理的复杂多步工具调用场景69% 相似待验证该研究在ForecastBench风格的二元预测任务上展开实验，将检索证据、推理、参考市场先验、调用历史类比作为可观察的行为来研究67% 相似待验证Terminal-Bench-Science 将测试任务锚定在具体的科研工作流上，Agent 需在包含真实工具和数据的终端环境中独立完成从问题理解到结果产出的全过程67% 相似待验证研究者承诺一旦TriggerBench正式数据发布将在其上进行正式评估作为后续工作65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/975506API
curl https://kongchang.com/api/v1/knowledge/claims/975506MCP
get_claim(id=975506)