待验证50% 置信事实精确时间
tw-exam-bench 经人工复核移除了 2,180 道题干依赖图片但文本中未携带图片的题目，所有最终得分基于剩余 253,674 道题计算。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
涉及实体
相关事实
待验证在EvoMap的基准测试中，子智能体实际找出373个正确答案，但主智能体合并后最终结果只保留了217个61% 相似待验证Claude Haiku 4.5在两步问题的24个错误里有21个回答'未找到'，而GPT-5.4 mini在27个错误里有20个把指引原话当答案照抄，另有7个编造了真实存在的人名并引用真文档60% 相似待验证基于7500多次真实API计数的测量，claude-in-chrome返回截图的调用中位数为1855 Token，仅返回文本的调用中位数为373 Token，截图调用约为文本调用的5倍。60% 相似待验证提示词的最后一行格式指令是决定小模型输出质量的关键变量：在数学任务中，统一最后一行格式后，问题文本风格差异最多造成5分波动，而改变格式行可带来45分差距。59% 相似待验证在路由器保留本地的 35 个提示词上，Llama 3.2 1B 的回答被判定可接受 30 次（86%，平均 4.4/5 分）；在送往云端的 23 个文本提示词上，同一模型仅 4 次可接受（17%，平均 2.0/5 分）。58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1038582API
curl https://kongchang.com/api/v1/knowledge/claims/1038582MCP
get_claim(id=1038582)