待验证50% 置信基准精确时间
在全部68个任务-范式组合中，35.3%的组合里PPG基础模型相比随机/常数基线没有任何有意义的优势
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证按题目难度排序，所有模型都答对的60道题坚持率91.4%，至少一个模型答错的52道题坚持率仅73.5%，表明谄媚追踪不确定性72% 相似待验证0.610 的 WANDR 得分不意味着模型在60%的任务上完全成功，实际部分完成率与任务复杂度分布相关71% 相似待验证大约一半的任务对所有模型来说都很简单，得分接近100%；另一半难题上三个模型分别拿到50%、45%和23%70% 相似待验证在完全未被触碰的152题测试子集上，锚定混合检索为42.11%，规划引导方法仅36.84%70% 相似待验证在性能模型代码构建任务上，除GPT-5.6 Sol外的其他所有模型配置平均通过率低于15%，且多次运行之间波动极大68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1001378API
curl https://kongchang.com/api/v1/knowledge/claims/1001378MCP
get_claim(id=1001378)