Unverified50% confidenceOpinionExact time
现有模型评测体系（如HumanEval、MBPP及各类Arena）主要衡量能力上限，很少将端到端任务完成率纳入评估维度
1
Sources
50%
Confidence
Long-term
Relevance
9/2/2026
First Seen
Sources
Related Entities
Related Claims
Unverified模型在标准化评测基准（如HumanEval、MMLU）上的高分表现与真实工作场景中的可靠性之间存在显著差距70% similarUnverified在事实性评估任务上模型评判者准确率仍显著低于人类专家，但在风格、连贯性等主观维度已接近人类评审员间一致性水平68% similarUnverifiedPrompt优先方案（用一条超长指令串起数据分析流程）实测成功率不到40%68% similarUnverified在标准行人检测数据集（如MOTChallenge）上训练的模型，在俯视视角下的检测精度（mAP）通常下降40%-60%68% similarUnverified阈值函数的有效性高度依赖于底层模型输出概率的校准质量67% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/842880API
curl https://kongchang.com/api/v1/knowledge/claims/842880MCP
get_claim(id=842880)