待验证50% 置信事实精确时间
本次测试存在局限性：仅14个组、一个20亿参数的模型、一次运行；三个有效改写因改变法律含义在运行前被修正，修正与测试集在同一提交中；尚未在更大模型上运行该测试集。
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
AI安全检查盲区：28个错误答案为何全部通过
rss2026/10/16
涉及实体
相关事实
待验证该测试样本规模相对有限（5个模型、13个代码库），结论有待更大规模验证79% 相似待验证该对比实验样本量有限：每个问题被问了两次，实际覆盖的问题数约只有 14 个，单次对错对结论扰动很大。75% 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prompt74% 相似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。74% 相似待验证当前数据集包含 29 个模型/配置条目下的 770 次记录尝试，但统一测试套件中只有 16 个不同任务72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1045700API
curl https://kongchang.com/api/v1/knowledge/claims/1045700MCP
get_claim(id=1045700)