待验证50% 置信解决方案精确时间
差分测试中curl非零退出时用例应直接判失败，因为两个相同的错误在diff看来像是一致。
1
来源数
50%
置信度
长期有效
时效性
2026/10/18
首次发现
来源
涉及实体
相关事实
待验证基准测试通常只计算一次成功调用的成本，完全忽略真实工作流中的反复试错，若只统计一次成功调用成本就等于默认重试率为零，与实际账单严重脱节。73% 相似待验证单次调用通过测试只给出 n=1 的结果，不足以证明模型可靠性；需要通过多次试验计算通过率及其置信区间下界。73% 相似待验证两个模型在精确匹配准确率上可能相当，但在共享测试实例上，它们出错的格子数量可能相差悬殊。72% 相似待验证基于回放的验证能检测到76.2%的不成功改进，而仅做构建检查完全检测不到这些行为故障72% 相似待验证多重比较问题指同时测试多个模型变体时，即使每个单独检验显著性水平设为0.05，整体假阳性率也会急剧膨胀71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1057263API
curl https://kongchang.com/api/v1/knowledge/claims/1057263MCP
get_claim(id=1057263)