待验证50% 置信事实精确时间
在Yutori追踪的OSWorld-Verified结果中，111条标注了运行次数的记录里，94条只跑了一次。
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OSWorld维护者有一个未合并的修复，针对108个任务中的14个——它们的评分器会把对裁判模型的失败调用变成0分。64% 相似待验证在六次运行中，972个黄金事件实例里有970个获得了重叠预测，表明模型几乎总能发现事件位置59% 相似待验证测试套件共10个，大多数各跑1000题，HumanEval为164题，TruthfulQA为817题57% 相似待验证相对于基线的性能损失在全部三次重复中持续存在的任务有100个，而持续性胜出仅出现在1个任务上57% 相似待验证OS World的82项测试并非在完全相同条件下运行，一半任务沿用原基线分数，投入资源和尝试次数也不同，因此7个百分点提升不能全归功于记忆56% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1009480API
curl https://kongchang.com/api/v1/knowledge/claims/1009480MCP
get_claim(id=1009480)