待验证50% 置信基准精确时间

实验结果显示，最强模型在Ask-F1指标上仅达到52.18%。

1

来源数

50%

置信度

短期 (~14 天)

时效性

2026/10/30

首次发现

有效期至：2026/11/13

来源

AskStream：流式视频理解下的主动提问新范式

涉及实体

Ask-F1concept 多模态大语言模型concept

相关事实

待验证即便是表现最好的模型，其证据ID的F1也仅有0.36左右，反映现有大模型在精确定位证据的跨学科推理任务上仍有较大提升空间71% 相似待验证在 SpaceCast-Bench 上评估的 21 个模型中，最强模型仅达到 58.0% 的准确率，而人类表现为 87.2%。67% 相似待验证在最接近现实的设定中（未言明约束需主动发现），表现最好的模型配置平均FDE-Gym得分仅为0.5666% 相似待验证直接询问时，决策模型的准确率落在 50.0%–67.0% 区间。65% 相似待验证模型在欠定问题（没有唯一正确答案的问题）上表现出最高置信度（95%），呈现反向校准现象。65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1114223

API

curl https://kongchang.com/api/v1/knowledge/claims/1114223

MCP

get_claim(id=1114223)