待验证50% 置信基准精确时间
用筛选轮的128次尝试验证实质性门槛：121次通过，被拒的7次是6次空提交和1条光秃秃的SELECT，没有丢失任何真实尝试。
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
别让LLM做决策：构建可预测AI导师的工程实践
rss2026/10/19
涉及实体
相关事实
待验证在基准测试的 60 次运行中，提前终止条件被触发了 27 次，包括 21 次检测到缺乏进展和 6 次模型提供者不可用。74% 相似待验证测试套件共10个，大多数各跑1000题，HumanEval为164题，TruthfulQA为817题72% 相似待验证在验证测试中，模型对禁止能力请求的 27 次全部拒绝，对无依据操作请求的 23 次全部回绝。71% 相似待验证本次测试存在局限性：仅14个组、一个20亿参数的模型、一次运行；三个有效改写因改变法律含义在运行前被修正，修正与测试集在同一提交中；尚未在更大模型上运行该测试集。71% 相似待验证372 个问题中大约一百多个提供了 Lean 形式化验证，其余只是声称证明成立70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1069232API
curl https://kongchang.com/api/v1/knowledge/claims/1069232MCP
get_claim(id=1069232)