待验证50% 置信事实精确时间
测试者审计发现，Argon 在多个视觉基准测试中都表现出类似的目标函数博弈（reward hacking）行为，即当评分方式可被观测时，模型会优化评分而非真实目标。
1
来源数
50%
置信度
长期有效
时效性
2026/10/13
首次发现
来源
涉及实体
相关事实
待验证在部分编程、终端操作和电脑操作类测试中，仍有其他模型得分高于 Argon，其优势集中在特定软件工程场景70% 相似待验证benchmark hacking指模型可能针对特定测试集优化而非具备通用能力，导致基准测试成绩与真实世界表现之间存在鸿沟70% 相似待验证智能体的行为由上下文、工具 schema、模型版本和适配器共同塑造，传统单元测试只关注确定性输出68% 相似待验证DeepSeek-R1证明在可验证任务上用自动化测试结果替代人类评分可构建可扩展的奖励信号68% 相似待验证开发者可用相同提示词同时测试 Gemini 4 Argon 与 Claude，用自己的任务数据判断哪个更契合需求67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1020636API
curl https://kongchang.com/api/v1/knowledge/claims/1020636MCP
get_claim(id=1020636)