待验证50% 置信事实精确时间
标准分为基础性、过早披露、目标偏离、信息遗漏四个族，共19种失败模式，其中18种在实际测试中触发。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
Agent基准测试的"用户"是第二个模型，24.4%的成功运行违反了用户脚本
rss2026/10/15
涉及实体
相关事实
待验证在基准测试的 60 次运行中，提前终止条件被触发了 27 次，包括 21 次检测到缺乏进展和 6 次模型提供者不可用。78% 相似待验证19项报告了评测器'偏向哪边出错'的研究中，12项偏向把本该失败的作品判为通过，3项偏向相反方向，4项混合。77% 相似待验证开发者提醒，18场对决的样本量不足以对模型做可靠排名。76% 相似待验证在少样本（如每类约20个样本）情况下，应放弃多分类细分，将所有缺陷折叠成二分类问题（有缺陷/无缺陷），把具体分类交给人工事后处理74% 相似待验证该基准测试使用10篇200到250词的原创短文档，埋入18处异常，共37个评分条目（18脏19净），测试13个模型，每个模型74条prompt72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1038817API
curl https://kongchang.com/api/v1/knowledge/claims/1038817MCP
get_claim(id=1038817)