已验证90% 置信权衡取舍精确时间
基准测试成绩与用户真实体验之间存在鸿沟，部分厂商存在针对特定基准专项优化（刷榜）以及训练数据污染导致成绩虚高的现象
8
来源数
90%
置信度
长期有效
时效性
2026/7/13
首次发现
来源
Gemini 3.1 Pro体验：共情式对话为何让用户离不开它
redditr/Bard2026/7/10
相关事实
待验证基准测试上的高分未必等于对用户需求的忠实执行，以基准分数作为唯一质量信号的做法存在根本性风险79% 相似待验证自建评测集与公开基准之间往往存在口径差异，测试集难度分布、答案候选数量等因素会显著影响绝对分数，因此 87.2 更适合作为团队内部验收信号而非横向对比依据。78% 相似待验证Benchmark成绩与实际生产环境表现之间存在评测-应用鸿沟，部分厂商存在针对评测集过度优化（刷榜/benchmark contamination）的倾向76% 相似待验证后训练指标公开涉及权衡：透明度有助于建立技术信誉，但训练配方和数据构成是厂商核心竞争壁垒，过度公开可能削弱自身优势76% 相似待验证行为标签数据存在固有缺陷，混杂了候选人曝光机会、招聘者主观偏好和客观资质，难以分离各因素的真实影响75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/501618API
curl https://kongchang.com/api/v1/knowledge/claims/501618MCP
get_claim(id=501618)