待验证50% 置信事实精确时间

40 组结果中有 10 组被标记为样本不足无法判断；grill-me、tdd 以及 Anthropic 的 frontend-design 在两个模型上都落在这个区间。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/19

首次发现

有效期至：2027/1/17

来源

实测20个最热门Agent技能：安装量第一的反而拖后腿

rss2026/10/19

涉及实体

grill-meproduct tddproduct frontend-designproduct Anthropiccompany

相关事实

待验证在留出运行中，对 10 个已报告案例的 20 次重跑中，20 次结论相同；对 10 个持牌空缺职位，19 次结论相同。68% 相似待验证41个完整测试套件中有20个拿到满分100%，该基准已无法区分这些领先模型67% 相似待验证20个样本不足以支撑可靠的多分类模型，强行细分会引入噪声和过拟合67% 相似待验证覆盖率门基准运行结果只找到了 20 个案例中的 8 个，未达到通过条件。67% 相似待验证标准分为基础性、过早披露、目标偏离、信息遗漏四个族，共19种失败模式，其中18种在实际测试中触发。66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1065271

API

curl https://kongchang.com/api/v1/knowledge/claims/1065271

MCP

get_claim(id=1065271)