待验证50% 置信事实精确时间
CLE的评测由专门的评估智能体依据人工撰写的评分标准来判定每次提交。
1
来源数
50%
置信度
长期有效
时效性
2026/10/27
首次发现
来源
CLE基准发布：LLM智能体持续学习能力仅47.7%
rss2026/10/25
涉及实体
相关事实
待验证「评估」方法本质上是给技能做单元测试：启动多个子智能体，主协调智能体制定评分标准，子智能体在独立目录中执行任务，且目录命名刻意避免让子智能体察觉被评估。72% 相似待验证评估（Evaluation）通过预定义的测试集和评分标准衡量输出质量，维度包括准确性、相关性、忠实度、有害内容检测72% 相似待验证自动指标做初筛、人工抽检做校准，并将人工反馈回流到评审器规则中，是平衡自动评估与人类审美的可行折中方案。72% 相似待验证智能体评估是决策质量与执行质量的复合评估，不仅要看决策对不对，还要看动作是否执行、执行是否完整、过程中是否有额外披露。72% 相似待验证严谨的评估通常需要参考公开的代码评测集（如 HumanEval、SWE-bench 等）结果，并在相同提示与上下文条件下进行横向对比。71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1102570API
curl https://kongchang.com/api/v1/knowledge/claims/1102570MCP
get_claim(id=1102570)