待验证50% 置信基准精确时间

在横跨13个模型、两种指令、962条打分响应的逐字引用基准测试中，没有一个模型在引文内修正过任何一处植入错误

1

来源数

50%

置信度

长期有效

时效性

2026/10/11

首次发现

来源

我埋了962个错别字测AI改稿，没一个被"修正"——真正翻车的是句子边界

涉及实体

逐字引用基准测试concept saharshtibrewalaperson

相关事实

待验证在记忆召回测试中，12B模型100题答对82题，31B模型100题答对98题，且两个模型都没有编造答案69% 相似待验证作者用三个不参与评分的模型盲检全部12个草稿答案键，只保留至少两个模型认同的，结果删掉了2行68% 相似待验证模型在篇章级排序任务中的标准准确率仅为 0% 到 13%65% 相似待验证传统基准测试在评估模型推理能力上已失效，因为几乎每个模型都可能在训练数据中见过标准答案65% 相似待验证该基准测试使用10篇200到250词的原创短文档，埋入18处异常，共37个评分条目（18脏19净），测试13个模型，每个模型74条prompt64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1000249

API

curl https://kongchang.com/api/v1/knowledge/claims/1000249

MCP

get_claim(id=1000249)