待验证50% 置信事实精确时间
审计覆盖的两类任务由不同模型完成并使用不同评分器，Higgins配对任务使用gpt-oss-20b，Faria检测器任务使用gpt-5.5，因此得分被严格分开，不存在合并的模型排名
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/12
首次发现
有效期至：2027/1/10
来源
涉及实体
相关事实
待验证该研究在两层隐藏层MLP上针对模块化算术任务系统扫描了384种超参数配置68% 相似待验证模型开发商往往公布对自己有利的基准测试成绩，且评测方法、测试集构成和评分口径缺乏统一规范64% 相似待验证作者团队对基准配置进行版本化管理，只在兼容的测量条件下才对纵向观测数据进行比较，并将可用性故障与任务结果分开处理64% 相似待验证单一评测（如98%评分）基于特定任务集合，在复杂推理、长文本处理、多轮对话等其他任务上模型差距可能不同64% 相似待验证研究者构建了名为 ALIGNMENTFORECASTBENCH 的基准测试集，覆盖超过5000个预测问题、17个目标模型、32个数据集和16种失效模式64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1002477API
curl https://kongchang.com/api/v1/knowledge/claims/1002477MCP
get_claim(id=1002477)