待验证50% 置信事实精确时间

在主要的强策略条件下，优秀的检测分数并不能证明更低的干预成本

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

RESCUE框架：机器人故障报警到底值不值得响应？

涉及实体

相关事实

已验证基准测试表现不应被直接等同于部署稳健性，实验室成功不等于真实世界稳健79% 相似待验证基准测试存在局限性，高分未必等同于实际应用能力75% 相似待验证跨代比较对齐质量的基准测试本身不能随模型迭代而漂移，否则�success衰减将无法被检测到73% 相似待验证单次采样无法代表模型对某提示词的真实能力分布，3次以上独立采样才能提供足够的方差估计，是生产级提示词评估的最佳实践72% 相似待验证在数据管道排查这类对诚实要求高的任务上，模型价格和速度都不是可靠信号，必须针对具体任务实测72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1001088

API

curl https://kongchang.com/api/v1/knowledge/claims/1001088

MCP

get_claim(id=1001088)