待验证50% 置信事实精确时间
该基准一次性测试了来自六个实验室的18款模型，涵盖Anthropic、OpenAI、Google、DeepSeek、Qwen、GLM等
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/11
首次发现
有效期至：2027/1/9
来源
涉及实体
相关事实
待验证研究者构建了名为 ALIGNMENTFORECASTBENCH 的基准测试集，覆盖超过5000个预测问题、17个目标模型、32个数据集和16种失效模式77% 相似待验证研究团队对来自六个模型家族的22个开源LLM进行了测试73% 相似待验证OpenAI和Google DeepMind等机构在模型评估中引入了场景化测试，针对医疗建议、法律咨询等高风险领域进行专项评估71% 相似待验证研究团队在专有模型和开源权重模型上使用多种智能体框架进行了广泛评测，最先进模型如GLM-5.2、Claude-Sonnet-4.6等表现仅过半71% 相似待验证GAUGE研究覆盖了来自六家供应商的25个智能体，并在τ²-bench和SimulatorArena两个基准上进行测试71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/997244API
curl https://kongchang.com/api/v1/knowledge/claims/997244MCP
get_claim(id=997244)