待验证50% 置信基准精确时间
在 SpaceCast-Bench 上评估的 21 个模型中，最强模型仅达到 58.0% 的准确率，而人类表现为 87.2%。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/13
首次发现
有效期至：2027/1/11
来源
涉及实体
相关事实
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68% 相似待验证按题目难度排序，所有模型都答对的60道题坚持率91.4%，至少一个模型答错的52道题坚持率仅73.5%，表明谄媚追踪不确定性68% 相似待验证在ScopeBench评测中，8个模型的原始能力跨度从12.2%到81.1%，范围遵守能力跨度从34.4%到86.7%67% 相似待验证0.610 的 WANDR 得分不意味着模型在60%的任务上完全成功，实际部分完成率与任务复杂度分布相关67% 相似待验证在CAD World基准中，人类专家的成功率是87%，平均仅需26.5步66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1013356API
curl https://kongchang.com/api/v1/knowledge/claims/1013356MCP
get_claim(id=1013356)