待验证50% 置信观点精确时间
“9分段”和“7分段”之间的差异在LLM评估中有意义，小数点后的数字没有意义。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
LLM评估分数重跑一次就变，你的评分体系还可靠吗？
rss2026/10/15
涉及实体
相关事实
待验证词表选择比骨干规模更重要：10M 标签配 8k 词表（总参数 8.0M，bpb 1.168）击败 50M 标签配 2k 词表（总参数 33.5M，bpb 1.436）——参数少 4.2 倍，bpb 反而低 18.7%。63% 相似待验证2,103 token 词表方向性错误：在 10M 规模下，2k 词表比 8k 的 bpb 高出约 19%。61% 相似待验证LLM评估分数的可用分辨率大约是0.5分，不是0.1分。56% 相似待验证在4B及以下的模型上，正常风格的提示词得分最高，朴素和华丽两种风格都掉了约8分，但所有置信区间跨越零，差异无法被严格证明为显著。56% 相似待验证发布评分时应使用分段、永远不要把0.1分差距放进标题、在文档里写明“分数精确到±0.5”。56% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1036247API
curl https://kongchang.com/api/v1/knowledge/claims/1036247MCP
get_claim(id=1036247)