待验证50% 置信基准精确时间

在95个任务中，最佳配置只有14个任务被真正解决（得分不低于0.8且无事故）

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/16

首次发现

有效期至：2027/1/14

来源

FDE-Gym基准：AI交付最后一步为何卡住

涉及实体

相关事实

待验证密封任务包包含30个任务，分为20个普通任务和10个负控制任务。64% 相似待验证任务完成率定义为无需人工干预即可完成既定编程任务的比例，比BLEU分数等传统指标更能反映真实可用性62% 相似待验证经过RL训练后，小模型能在24个任务中成功完成16个，而RL之前无法成功完成任何任务61% 相似待验证素材中描述一个被拆成 11 个节点的任务最终全部验证通过61% 相似待验证基准测试由 12 个真实任务组成（每类别两个），全部用确定性方式打分，于 2026 年 10 月 11 日跑完，覆盖 10 个模型，每任务一次尝试，总花费 1.78 美元60% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1041818

API

curl https://kongchang.com/api/v1/knowledge/claims/1041818

MCP

get_claim(id=1041818)