Unverified50% confidenceOpinionExact time

当前主流评测基准很难客观衡量顶级模型之间的真实差距，benchmark分数参考价值有限

1

Sources

50%

Confidence

Long-term

Relevance

7/12/2026

First Seen

Sources

GPT-5.6 Released: ChatGPT Merges with Codex, Evolving into an AI Workbench

bilibili水山AI漫谈7/10/2026

Related Claims

UnverifiedLocomo评测数据集存在局限性，不同Memory框架使用不同的judgment prompt导致分数缺乏可比性66% similar Unverified验证集和测试集不应做任何数据增强，一旦施加变换会引入系统性偏差，破坏对模型泛化能力的无偏估计66% similar Unverified第一视角数据的高价值取决于算法能否有效弥合具身鸿沟，是一个尚未被完全验证的赌注65% similar Unverified在关系抽取中，标签出现的频率几乎不能预测模型在该标签上的表现，真正决定泛化能力的是模型是否见过相似的证据表达方式64% similar

Cite This Claim

Stable URI

https://kongchang.com/claim/493646

API

curl https://kongchang.com/api/v1/knowledge/claims/493646

MCP

get_claim(id=493646)