待验证50% 置信事实精确时间

无论是小模型还是前沿大模型，表现最差的形态始终是ground（溯源）和classify（分类），没有模型的短板出现在route或judge上

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

AI模型何时该说"我不知道"？一个Kaggle升级基准的实测结论

涉及实体

Escalation Benchmarkproduct

相关事实

待验证基础模型评测应纳入简单的非学习对照检验（如手工特征），若模型连手工特征都无法超越则其学习有用表征的宣称站不住脚67% 相似待验证模型不区分预期路径和漏洞路径，只关心哪条路能得分，基础设施中的任何薄弱环节都可能被优化模型转化为工具67% 相似待验证评价一个模型好坏不能脱离使用场景，参数降级未必是倒退，可能只是定位调整65% 相似待验证官方建议裁判模型应不同于基线模型，以避免模型自己给自己打分导致偏袒与自身风格相近的输出64% 相似待验证朴素贝叶斯分类器基于条件独立性假设，在特征高度相关的场景下表现不佳64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1002964

API

curl https://kongchang.com/api/v1/knowledge/claims/1002964

MCP

get_claim(id=1002964)