待验证50% 置信基准精确时间
在360条干净文本测试中，Jev仅误判1次，gpt-5-mini误判1次，Gemini 2.5 Flash-Lite和Gemma各误判2次，gpt-oss-safeguard-20b误判4次，Llama Guard 4误判26次。
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/13
首次发现
有效期至：2026/10/27
来源
涉及实体
相关事实
待验证在尝试两到三次的情况下GLM-5.3 Flash得分82%，与GPT-5.6 Luna的81%处于误差范围之内68% 相似已验证在MMLU、HumanEval等主流基准测试上，Claude 3.5、GPT-4o、Gemini 1.5 Pro、Grok-2之间的分差已压缩至统计误差范围内67% 相似待验证在 PR 分流审查示例中，GPT-6.1 Sol 消耗 input=77、output=266、reasoning=149 token，耗时 5.4 秒，未编造 diff 也未声称跑过测试66% 相似待验证Qwen3-235B 在注入测试中 8 次攻击里 5 次失守，表现最差；Gemini 3.7 Flash、Claude Haiku 5.5 和 Claude Opus 4.5 在 8 次注入攻击中做到零失守66% 相似待验证Gemini 3.7 Flash在充分性任务中对169个返回项全部回答正确，但23次调用在三次尝试后仍无结果，若计为失败则通过家族数从满分降至48中的28个66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1015386API
curl https://kongchang.com/api/v1/knowledge/claims/1015386MCP
get_claim(id=1015386)