待验证50% 置信事实精确时间
两个后端在同一个冻结测试集上都得到71%的平均分,但逐例对比后可能发现九个用例变差、九个用例变好,平均分掩盖了这些翻转。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
涉及实体
相关事实
待验证在具体实验案例中,重叠锚点方案(n=912)显示模型55.2%对多数类51.1%,净优势+4.1pp,约2.4个标准误;非重叠锚点方案(n=163)显示59.5%对54.0%,净优势+5.5pp,约1.4个标准误。70% 相似待验证按题目难度排序,所有模型都答对的60道题坚持率91.4%,至少一个模型答错的52道题坚持率仅73.5%,表明谄媚追踪不确定性70% 相似待验证一个拥有1800行测试用例的评估套件长期稳定在97%的聚合通过率,但其中64行多语言切片的通过率只有61%69% 相似待验证由于实验采用temperature=0和固定种子的单次确定性运行,任一字段翻转会在12任务×3字段=36单位的评分中移动约2.8个百分点,因此91.7%与83.3%的差距不能直接推广为统计意义上的普遍优势。66% 相似待验证一条「可信来源」提示能让8个测试模型中的7个翻转45%到88%的正确答案66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1066524API
curl https://kongchang.com/api/v1/knowledge/claims/1066524MCP
get_claim(id=1066524)