已验证70% 置信事实精确时间
Benchmark（基准评测）是用一套固定题目给模型打分做横向对比，类似模拟考，用于给模型排名
4
来源数
70%
置信度
长期有效
时效性
2026/9/23
首次发现
来源
涉及实体
相关事实
待验证BEIR Benchmark是一套跨领域的检索评估基准，包含多个数据集和标准指标（nDCG、Recall），是系统对比检索策略的首选。78% 相似待验证评测游戏（Benchmark Gaming）指AI公司通过选择性使用特定基准测试来最大化模型表现分数的行为，包括数据污染和针对特定评测集过度优化73% 相似待验证criterion通常配合cargo bench命令使用，将benchmark定义为独立的测试目标73% 相似待验证智能体基准测试（agentic benchmark）与传统单轮问答评测有本质区别，前者模拟完整工作流程，要求模型自主分解任务、调用工具、维护多步中间状态并交付可验证结果。72% 相似待验证基准测试饱和（benchmark saturation）指当多个模型在某项基准上都接近满分时该基准失去区分能力，促使社区推出 GPQA、SWE-bench 等新评测标准72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/943510API
curl https://kongchang.com/api/v1/knowledge/claims/943510MCP
get_claim(id=943510)