待验证50% 置信事实精确时间
论文《AI4AI at Test-Time: Strong-to-Weak Capability Transfer via Harnesses》（Qian、Zhao、Yang、Wang、Qiu、Ji、Savarese、Wang、Heinecke，arXiv 2608.12307）提出：强模型可以在推理阶段把真实能力传递给弱模型，且完全不需要重新训练。
1
来源数
50%
置信度
长期有效
时效性
2026/10/17
首次发现
来源
涉及实体
相关事实
待验证现场演示中HY3免费模型在自测挑毛病环节表现力不从心，长时间无法产出被讲师打断，说明不同AI工具能力差异明显，实际工作中需在Claude Code、Codex、Trae、Work Buddy等工具间灵活切换62% 相似已验证可解释AI领域存在根本性张力：模型越强大往往越难解释，强行追求可解释性可能以牺牲准确率为代价61% 相似待验证AI模型排行榜有四种常见失效模式：数据泄露、基准饱和、在评测集上做选择、运行间方差61% 相似待验证《威利在哪里》这类任务考验非结构化、高干扰、精细定位的综合能力，是多模态大模型普遍的弱项60% 相似待验证AdaBoost（自适应提升）通过组合许多不完美的弱模型来形成强大的集成分类器，而非挑选最强的单一模型60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1050036API
curl https://kongchang.com/api/v1/knowledge/claims/1050036MCP
get_claim(id=1050036)