待验证50% 置信基准精确时间

研究评测了 12 个代表性的开源与专有视频语言模型，结果显示当前模型普遍难以做出校准良好的响应决策。

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

P³IBench：视频助手从感知到干预的主动理解评测

rss2026/10/15

涉及实体

P³IBenchproduct 视频语言模型concept

相关事实

待验证研究对8个大语言模型进行了双重评测，既让它们充当出题者生成误导选项，又作为答题者解决问题69% 相似待验证一项最新研究审计了十个开源模型、覆盖八种语言，在全部70个「模型—语言」配对中，非英语的刻板印象得分都低于其英语水平。69% 相似待验证研究者在17个不同的大语言模型上进行了评测，涵盖主流商业与开源模型68% 相似待验证论文在多个开源和闭源多模态大语言模型上评测发现，模型在不同交互结构上的表现差异显著且不均衡。65% 相似待验证本地运行的小型语言模型在需要深度推理或多轮长上下文理解的场景下，回答质量通常不及云端大模型63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1046776

API

curl https://kongchang.com/api/v1/knowledge/claims/1046776

MCP

get_claim(id=1046776)