待验证60% 置信基准精确时间
在双 bug Python 函数修复基准（215 个隐藏测试）中，省略 effort（max）平均消耗 6,364 推理 tokens、耗时 56 秒、单次成本 $0.0045；effort=low 平均消耗 591 tokens、耗时 9.5 秒、单次成本 $0.0006。
2
来源数
60%
置信度
短期 (~14 天)
时效性
2026/10/19
首次发现
有效期至：2026/11/2
来源
MiniMax M3.1 Flash迁移实战：修复2013错误与思考模式调优
rss2026/10/19
涉及实体
相关事实
待验证在100个注入故障条件（瞬时网络超时、模式不匹配、空搜索结果）下对四种企业代理架构进行基准测试，朴素自反思循环的无约束失控率为42.0%，失败任务中位Token消耗148,500，平均故障时间18.4分钟，单次财务风险12.40美元。67% 相似待验证据 Artificial Analysis 的测试数据，Muse Wonder 模型在 max 力度下平均每任务消耗约 54,000 个输出 token。67% 相似待验证实验中塑形奖励配置下的task_score仅为0.125,而朴素奖励是0.417,效应量d=4.4765% 相似待验证作者用12个真实 listing 每个跑两次共24次生成进行测试，其中17次首次即为 ready，7次进入 confirm，0次失败，平均耗时5.5秒，总成本0.0035美元。63% 相似待验证第一轮实验中，有已验证能力的功能平均分 1.43，无已验证能力的功能平均分 1.14，差距微乎其微；修掉语言问题后同样的对比变为 2.00 对 1.07。63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1067193API
curl https://kongchang.com/api/v1/knowledge/claims/1067193MCP
get_claim(id=1067193)