待验证50% 置信基准精确时间
据JudgeBench研究，GPT-4o在打分时，凡它自己答对的题目，与专家的一致性达到0.78（Cohen's κ）；而它答错的题目，一致性骤降到0.30。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证GPT-5.5因用量额度耗尽，90题里有35题未跑完，答过的55题全对，但Kaggle将未答部分算错导致其官方分数偏低76% 相似待验证在分歧富集数据集上，gpt-4o-mini裁判与两位作者共同确认的黄金标准之间的Cohen's kappa一致性系数仅为0.0475% 相似待验证该研究发现GPT-4在判断素数任务上的准确率从2023年3月的97.6%骤降至6月的2.4%74% 相似待验证解析缺陷加上一个错误答案键使 gpt-oss 在五个核心任务上的分数从 0.62 偏移到 1.00，偏移高达 0.3874% 相似待验证GPT-4在律师资格考试（BAR exam）中得分位于前10%，在SAT数学中接近满分71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1026025API
curl https://kongchang.com/api/v1/knowledge/claims/1026025MCP
get_claim(id=1026025)