待验证50% 置信基准精确时间
Claude Haiku 4.5在两步问题的24个错误里有21个回答'未找到'，而GPT-5.4 mini在27个错误里有20个把指引原话当答案照抄，另有7个编造了真实存在的人名并引用真文档
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
待验证在难核查档注入诱饵下，GPT-5.4 mini 两种顺序都判错的题数从3升至39，Qwen3-Next 80B Instruct 从4升至38，GPT-5.4 mini 和 Qwen3-Next Instruct 的难题得分直接归零（低于随机抛硬币的约0.25）70% 相似待验证Claude Opus 4.6产生的错误数量是GPT-5.4的30倍，每条轨迹平均2.5个错误 vs. 0.08个，差异统计显著（p < 0.0001，Cliff's δ = 0.613）67% 相似待验证GPT-5.5因用量额度耗尽，90题里有35题未跑完，答过的55题全对，但Kaggle将未答部分算错导致其官方分数偏低64% 相似待验证46个模型中有41个完整跑完全部28道题，3个因服务错误未完成，GPT-5.6 Terra因配额限制止步24/28，GPT-6 Astra只跑了1道题64% 相似待验证在两步推理问题上，Claude Haiku 4.5得分6/30，GPT-5.4 mini得分3/30，而Claude Sonnet 5.5、Gemini 3.8 Flash、Gemma 4均为30/3062% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1003221API
curl https://kongchang.com/api/v1/knowledge/claims/1003221MCP
get_claim(id=1003221)