待验证50% 置信基准精确时间
在TasteVal基准测试中，Opus 5.5的表现约为人类专家基线的两倍，但任务验证快速且成本低廉，人类基线不包括顶级研究者，实验规模仅为40 GPU小时和一块H100。
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/12
首次发现
有效期至：2026/10/26
来源
涉及实体
相关事实
待验证在检查AI修改代码能否被项目接受的测试中，Opus 5.5用默认档得分略高于Astra的最高公开成绩，且单次任务成本约为其五分之一69% 相似待验证在业务自动化评测中，相同单任务成本下Opus 5的通过率约为次优模型的1.5倍67% 相似待验证在专为模型设计的未知规则小游戏测试中，GPT-6拿到99分接近满分，人类最高分只有30多分，其他模型仅在40分左右67% 相似待验证2024年一项研究对GPT-4在Temperature=0下的代码生成任务进行100次测试，发现约8%的测试用例存在跨次运行的输出差异67% 相似待验证即便是GPT-4级别的Agent，面对含有5步以上工具调用的复杂任务时，端到端成功率往往低于60%67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1012993API
curl https://kongchang.com/api/v1/knowledge/claims/1012993MCP
get_claim(id=1012993)