待验证50% 置信观点精确时间

作者表示不会给出未经验证的排名，不声称某模型全面胜过其他模型，因为72个固定用例上的满分不能证明模型在未见样本上同样完美

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能否识别"证据不足"？一个证据充分性基准测试实验

涉及实体

Evidence Sufficiency Evaluationconcept

相关事实

待验证58.08 分缺乏充分的横向参照系，没有大量其他模型在同一基准同一版本下的公开成绩作为对比75% 相似待验证不能把模型给出的置信度（如90%）理解成'模型有90%的时间判断正确'，准确率必须用自己的样本实测74% 相似待验证在指标上得分超过前代模型并不等于充分解决了对齐问题72% 相似已验证在样本极度不平衡的场景下，即便准确率高达95%，模型也可能完全无法识别少数类72% 相似待验证模型的基准分数更高并不等于在所有场景下都更好用72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1003400

API

curl https://kongchang.com/api/v1/knowledge/claims/1003400

MCP

get_claim(id=1003400)