待验证50% 置信基准精确时间
所有错误的干扰计数答案无一例外都是高估，且错误答案的token数明显高于正确答案：gpt-5.4-mini 在 high 下错误答案中位token数412 vs 正确答案91.5；gpt-oss-120b 错误答案5,776 token vs 正确答案747 token。
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
待验证解析缺陷加上一个错误答案键使 gpt-oss 在五个核心任务上的分数从 0.62 偏移到 1.00，偏移高达 0.3869% 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69% 相似待验证Mistral Small 4在单位换算输入上的得分仅为0.699，并产生了265个与正确标签相差精确十的幂次的错误67% 相似待验证首轮运行中Claude Opus 5仅得0.08、GPT-5.5完全报错，经查实为403 PermissionDeniedError配额超限错误，并发请求导致昂贵模型烧穿配额，评分器将报错调用误判为错误答案67% 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）66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1007699API
curl https://kongchang.com/api/v1/knowledge/claims/1007699MCP
get_claim(id=1007699)