待验证50% 置信事实精确时间

该基准分为两层：理智门（Sanity gate）包含五类任务（lookup、abstain、distractor、multistep、units），压力测试 ng-hard 包含10行叠加多个陷阱的题目

1

来源数

50%

置信度

长期有效

时效性

2026/10/11

首次发现

来源

评测陷阱：第一个榜单测的是评分器，而非模型

涉及实体

Numeric Groundingconcept

相关事实

待验证一项针对LLM底层编程能力的基准测试构建了15个专门针对底层任务的测试用例，覆盖自定义内存管理、基础操作系统内核循环、重度数据排序数组处理三大场景70% 相似待验证ByteBench设计了五种测试模式：基础模式、参考实现模式、MVP扩展模式、叠加模式和并行任务模式70% 相似待验证该框架每个进化批次从五个不同领域的基准测试中抽取任务，以避免过拟合到狭窄的任务分布68% 相似待验证统一 checkpoint 能否在两类任务上同时达到专用模型的水准，是评估此类架构最核心的问题68% 相似待验证该研究在两层隐藏层MLP上针对模块化算术任务系统扫描了384种超参数配置67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/999496

API

curl https://kongchang.com/api/v1/knowledge/claims/999496

MCP

get_claim(id=999496)