待验证50% 置信基准精确时间
四个前沿模型中有三个的得分密集在0.785到0.816之间，彼此差距仅0.031，统计上无法区分；第四个模型得分为0.707，与前三者的差距均显著异于零。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/20
首次发现
有效期至：2027/1/18
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。75% 相似待验证工具描述得分与模型正确选择之间的Spearman相关系数仅为0.04，统计上几乎不存在关联。73% 相似待验证除三个旗舰外，所有模型的故事质量得分都挤在0.62到0.73之间，而导演意见得分从0.40到0.94跨度很大73% 相似待验证二元门槛设计对接近门槛的模型不友好，0.74和0.80在分数上天壤之别但实际能力差异可能微乎其微72% 相似待验证将三个模型迁移到LIAR基准上时全部跌至接近随机排序水平（ROC-AUC仅0.54-0.57），没有一个能击败多数类基线70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1073465API
curl https://kongchang.com/api/v1/knowledge/claims/1073465MCP
get_claim(id=1073465)