待验证50% 置信基准精确时间
表现最好的本地模型llama3.1:8b在40道无解题中仍蒙了31道，而Kaggle上每个前沿模型都稳定在5%或以下的虚假自信率
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
待验证开发者最终选择KL散度最低（0.028）的变体，GSM8K下降1.83%，MMLU保持不变，HarmBench合规率从30.8%提升至100%65% 相似待验证Layla在Typed Decisions数据集上微调后得分0.766，但未微调的基础模型只有0.35左右，低于全猜多数选项的基线0.46164% 相似待验证一则Reddit技术分享声称，一个仅0.8B参数的模型在ARC-Challenge基准上取得42.15%的成绩，超过未经微调的Qwen3.5-2B基础模型，并优于使用2.5万条数据进行SFT蒸馏的方案64% 相似待验证LIAR基准上最先进的监督模型六分类准确率仍徘徊在28%-32%63% 相似待验证研究显示,30B参数模型在复杂推理任务上的成功率比GPT-4/Claude-3.5低15-30个百分点63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1002966API
curl https://kongchang.com/api/v1/knowledge/claims/1002966MCP
get_claim(id=1002966)