待验证50% 置信解决方案精确时间
在任何比较运行之前，应先用你确知错误的输出作为金丝雀喂给评分器，要求它们全部被拒绝，以防止评分器悄悄开始通过一切。
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
待验证评分器审计需要双向检查：既要求错误输出被拒绝，也要求容差用例（near_miss）被正确通过；拒绝一切的评分器会制造虚假的回归故事。75% 相似待验证评测器接口的缺陷会伪装成推理失败，解读基准测试结果时不区分评测管道与模型能力可能得出误导性结论72% 相似待验证通过观察评测集来调整选择、挑选最好运行结果、只报告胜出结果，制造出的改进会在新数据上消失71% 相似待验证只要缺字段、两次运行结果一致、或者判定依据被同一个补丁改动过，跳过请求就会被拒绝69% 相似待验证首次运行的评分器只接受以 `ANSWER:` 开头的行，导致大多数被判错的答案实际上是正确的，例如数字和标记同行、Markdown加粗、LaTeX格式的正确回复都被判0分69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1066532API
curl https://kongchang.com/api/v1/knowledge/claims/1066532MCP
get_claim(id=1066532)