待验证50% 置信基准精确时间
该基准测试基于Kaggle Benchmarks平台，每个模型共需回答287道计分题，涵盖数字、动词、翻译、完形填空、纠错五个维度
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
待验证关键指标headline score指完全还原正确的句子占比，只要有一个声调错整句就算错，测试基于kaggle-benchmarks库搭建71% 相似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69% 相似待验证独立测评者 Anass Kartit 用82道手工标注的问题测试了 OpenRouter 上可调用的全部决策模型，并额外在本地 Mac 上测试了4款68% 相似待验证一位开发者在Kaggle Benchmarking Challenge中构建了名为Unlearning Security Audit的基准测试，用于检验大语言模型能否识破伪装的遗忘代码68% 相似待验证每个测试点以统一结构化格式输出，包含所属模块、标题、状态、步骤、预期结果、优先级及所用测试设计方法67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/999197API
curl https://kongchang.com/api/v1/knowledge/claims/999197MCP
get_claim(id=999197)