待验证50% 置信基准精确时间
评测中 gpt-4o 评判与作者本人 115 条盲判的一致度最高（κ 0.86），CSR 判定在 30 个盲测案例上与人工判断一致 25 到 27 个。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/17
首次发现
有效期至：2027/1/15
来源
涉及实体
相关事实
待验证对 177 个验证器判定结果的人工审查显示准确率达到 97.7%71% 相似待验证在示例中，对同一组人类标签（18通过、2失败），懒惰评判者全判通过得到准确率 0.90 但 kappa 为 0.00；更好的评判者准确率 0.95 但 kappa 仅为 0.77，仍未达到 0.80 门槛。71% 相似待验证gpt-4o-mini裁判在富集集上对本应被判为忠实的人类案例的误标比例高达77.1%67% 相似待验证在第一阶段事后对比中，SAGE 的评估结果与原始竞赛中 105 份人工评审对比，序数一致性为 kappa = 0.29，属于「一般」水平67% 相似待验证一个文档证据模型在40个观测中有36个与参考标签一致，准确率为90%。67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1051800API
curl https://kongchang.com/api/v1/knowledge/claims/1051800MCP
get_claim(id=1051800)