待验证50% 置信事实精确时间
在一项预注册研究中，仅依赖LLM裁判的置信区间在21个任务与裁判组合中有18次未能覆盖全人工标注的真值。
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。80% 相似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。78% 相似待验证开发者提醒，18场对决的样本量不足以对模型做可靠排名。77% 相似待验证理论上可靠的聚类标准误估计通常需要至少30-50个聚类，而该研究仅有19个独立时间单元，样本量相对偏小73% 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。73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1069898API
curl https://kongchang.com/api/v1/knowledge/claims/1069898MCP
get_claim(id=1069898)