待验证50% 置信事实精确时间
ThinkingBox 的评分方式是对比任务结束后的后端状态与副作用是否与要求的最终状态一致，507个任务中477个纯粹依据状态评分，30个还额外检查最终回复的某个狭窄属性
1
来源数
50%
置信度
长期有效
时效性
2026/10/9
首次发现
来源
涉及实体
相关事实
待验证单一评测（如98%评分）基于特定任务集合，在复杂推理、长文本处理、多轮对话等其他任务上模型差距可能不同72% 相似待验证评测重心正从模型输出文本的质量转向Agent完成端到端任务的能力，评测维度从单一准确率扩展为包含任务完成率、步骤效率、错误恢复能力、时间开销等多维指标68% 相似待验证贴近落地的评测应包含多步骤有真实后果的任务链、对过度执行和破坏性操作的惩罚机制、权限管理与可回滚安全测试、面对模糊指令时主动澄清的能力66% 相似待验证OpenAI内部测试数据显示，经过思维链分解的提示词在结构化任务上的准确率平均提升约30%-40%66% 相似待验证端到端评测应在真实、嘈杂、非合作式场景下进行，重点衡量任务完成率与交互流畅度，而非仅盯WER单点指标66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/991236API
curl https://kongchang.com/api/v1/knowledge/claims/991236MCP
get_claim(id=991236)