待验证50% 置信事实精确时间

测评中所有重试仍失败的题目被判为错误而非丢弃，作者推测 Grok 4.5 得分 0.00 很可能正是基础设施故障导致，但未最终确认

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

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

相关事实

待验证评测器接口的缺陷会伪装成推理失败，解读基准测试结果时不区分评测管道与模型能力可能得出误导性结论73% 相似待验证重试时只发送失败节点与验证错误而非整个已生成数据流，是最直接的减法优化，前提是错误信息能被精确定位到局部71% 相似待验证故障转移架构中应区分值得重试的错误（429、5xx、超时）和不该重试的错误（400参数错误、401鉴权失败）70% 相似待验证Grok 4.7 在两组测试中都表现偏弱，尤其网页部分效果较差70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1003799

API

curl https://kongchang.com/api/v1/knowledge/claims/1003799

MCP

get_claim(id=1003799)