待验证50% 置信事实精确时间
Judge标记的低分不等于真实失败，需要人工复核来区分模型真实问题和Judge误判或用户输入不合理。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
涉及实体
相关事实
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77% 相似待验证弱模型在注入诱饵下会将被注入的错误数字当作自己的计算结果，并凭空编造验证过程，解释文本看起来与真实验证一致，使审计无法发现错误77% 相似待验证LLM-as-a-Judge方式的缺点是评估本身消耗算力，且评判模型自身可能引入偏差76% 相似待验证工具调用裁判模型存在系统性缺陷：当输入中找不到某个值的出处时，即使这个值完全正确，裁判也更倾向于拒绝它，这一现象被命名为'推导鸿沟'。75% 相似待验证在数据质量验证中，不同错误的代价是不对称的：错误接受脏数据可能导致下游分析崩坏，而误拒好数据只是损失一个样本74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1077149API
curl https://kongchang.com/api/v1/knowledge/claims/1077149MCP
get_claim(id=1077149)