待验证50% 置信事实精确时间
GEM-Bench是论文用于评测LLM原生广告效果的基准，覆盖三种典型应用场景（如问答、推荐、对话等），从广告相关性、回答自然度、综合得分等维度进行打分。
1
来源数
50%
置信度
长期有效
时效性
2026/11/4
首次发现
来源
涉及实体
相关事实
待验证当前实验基于GEM-Bench这一基准，真实产品环境中的用户容忍度、广告主需求多样性等因素，还需要进一步验证。70% 相似待验证ProgramBench 是一个面向编程任务的评测基准，通常给出函数级或仓库级的编程问题，并以单元测试通过率等指标衡量结果。59% 相似待验证Agent 评估当前主流方案分为三类：基于确定性断言的任务完成率、LLM-as-Judge、端到端基准测试集（如 SWE-Bench、WebArena）59% 相似待验证Benchmaxxing指AI公司为在特定基准测试上取得亮眼成绩而对模型进行针对性优化的行为，也泛指选择性展示最有利测试结果的营销策略57% 相似待验证Promptfoo能覆盖大模型、知识库、智能体三层评估对象，适合以判定软件能否上线为目的的测试团队56% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1134043API
curl https://kongchang.com/api/v1/knowledge/claims/1134043MCP
get_claim(id=1134043)