待验证50% 置信事实精确时间
评估基准（Eval）是一套系统化的测试集与评分机制，评分可基于规则或采用LLM-as-Judge方式
1
来源数
50%
置信度
长期有效
时效性
2026/10/2
首次发现
来源
涉及实体
相关事实
待验证评估（Evaluation）偏向于对模型或系统能力的系统性测量，通常在离线或准离线环境中通过预定义测试集和评分标准衡量输出质量79% 相似待验证一套完整的Evals体系通常包括定义评估数据集、设计评分标准（可用另一个LLM作为裁判自动评分）以及持续追踪关键指标随版本迭代的变化77% 相似待验证评估集构建可采用LLM-as-Judge方法用另一个模型评估输出质量以处理语义层面的质量判断76% 相似已验证智能体评估的主流方案包括LLM-as-Judge、轨迹匹配和结果验证76% 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76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/968105API
curl https://kongchang.com/api/v1/knowledge/claims/968105MCP
get_claim(id=968105)