待验证50% 置信事件精确时间

初版实验将 DeepSeek、Claude 和 Gemini 放入十组场景测试，每个模型都拿到了满分准确率。

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改对了却改多了？LLM状态协调基准揭示关键盲区

涉及实体

DeepSeekmodel Claudemodel Geminimodel

相关事实

待验证测试中九个不同难度的输入全部通过 demo-smart 路由，实际选中的模型与预期全部吻合72% 相似待验证实验对15个前沿模型进行了测试69% 相似待验证实验在一个九核FP16 GEMM（半精度通用矩阵乘法）测试集上进行67% 相似待验证使用Edu-QuRating筛选混合集训练出的模型在九项基准测试上的整体观测准确率高于FineWeb-Edu基线模型，且性能提升集中在特定任务上66% 相似待验证一位独立研究者构建了22个多轮陷阱和84个单轮陷阱，让10款模型跑完全部106个测试，并用三种方式对每条轨迹独立打分66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1007754

API

curl https://kongchang.com/api/v1/knowledge/claims/1007754

MCP

get_claim(id=1007754)