待验证50% 置信事实精确时间

测评针对机器学习研究中常见的 7 类效度缺陷构造测试题，包括合成数据当真实证据、测试集泄漏、小样本过度推断、类别不平衡下报告准确率、退化的置信区间、未校正的多重比较和 best-of-N 种子挑选

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

测评19款大模型做论文审稿人：参数与价格并不决定成绩

涉及实体

LLM审稿测评concept

相关事实

已验证突变测试（Mutation Testing）通过人为引入代码缺陷来检验测试用例是否真正有效73% 相似待验证标注歧义性对应机器学习中的贝叶斯最优误差率概念，可通过让多名标注者独立标注并计算标注者间Dice系数来估算性能天花板73% 相似待验证检验微调对比研究是否存在偏差的标准是查看超参数搜索章节，确认每个对照组都有独立的学习率调优记录及足够多的随机种子重复72% 相似待验证实验测试横跨六个异构基准（heterogeneous benchmarks）70% 相似待验证多种子实验中检验对象从单样本预测分歧变为多次运行的准确率序列时，通常已不再适用McNemar检验70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1003790

API

curl https://kongchang.com/api/v1/knowledge/claims/1003790

MCP

get_claim(id=1003790)