待验证50% 置信基准精确时间
promptfoo 在三次重跑中仅有 4 条回复的通过/失败结论发生翻转。
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
待验证四个预注册假设的最终结果：H1（旋钮不是同一种工具）支持；H2（更多思考在干扰计数上有害）不支持；H3（更多思考有助于演绎推理）仅 gpt-5.4-mini 支持；H4（准确率不涨时账单照涨）支持（描述性）。62% 相似待验证Gemma 4 26B因运行报错在产出分数前终止，原因是评分代码假设至少有一个句子以正确结构化格式返回60% 相似待验证作者让Qwen对生成结果进行审核，并设置最多3次重试，若三次均不达标则返回最匹配的版本60% 相似待验证三个被测模型中只有 Qwen2.5-3B 能在证据不支持答案时可靠地拒绝回答59% 相似待验证Qwen Next在测试中仅得6/108（5.56%），因格式可靠性问题（17次invalid_json响应，只有6个条目可评分）而非理解能力不足58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1018298API
curl https://kongchang.com/api/v1/knowledge/claims/1018298MCP
get_claim(id=1018298)