待验证50% 置信事实精确时间
在单页成本计算器构建测试（15 个隐藏测试）中，三个模型（Argon、Opus 5.5、GPT-6 Astra）每次运行都通过全部 15 项测试。
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/18
首次发现
有效期至：2026/11/1
来源
涉及实体
相关事实
待验证在 agent 跨 71 个文件、最多 40 次工具调用的测试中，Argon 执行 43 次工具调用，20 项发现全部为真，并发现当天刚写脚本中的隐藏退格符 bug；Astra 同样 20/20 并发现同一 bug；Opus 也发现真实 bug，但有 3 项报告错误。71% 相似待验证实验对15个前沿模型进行了测试68% 相似待验证可复现测试应冻结约20个真实任务的测试集、记录硬件和运行时环境、并采用隐藏模型名称的盲评打分68% 相似待验证研究者构建了名为 ALIGNMENTFORECASTBENCH 的基准测试集，覆盖超过5000个预测问题、17个目标模型、32个数据集和16种失效模式68% 相似待验证测试覆盖了6个模型家族的16个版本，所有模型使用相同的提示词和断言条件接受考核67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1059535API
curl https://kongchang.com/api/v1/knowledge/claims/1059535MCP
get_claim(id=1059535)