待验证50% 置信事实精确时间
在决策备忘录题中，三个模型都没有两轮中任何一轮完整达标，门槛为16分；DeepSeek两轮未成稿，MiniMax正式版一轮写到半句、另一轮编辑14分，旧Preview为13和12分。
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/20
首次发现
有效期至：2026/11/3
来源
涉及实体
相关事实
待验证提示词的最后一行格式指令是决定小模型输出质量的关键变量：在数学任务中，统一最后一行格式后，问题文本风格差异最多造成5分波动，而改变格式行可带来45分差距。65% 相似待验证该测试的局限性包括：任务规模有限（50个任务、每个提示词3次试验）、风格版本由单一作者撰写、华丽版本与正常版本存在长度混淆、仅测试英语和14B以下本地模型、困惑度检查仅覆盖三个较小Qwen模型且使用全精度权重而实际推理用4位量化。64% 相似待验证“9分段”和“7分段”之间的差异在LLM评估中有意义，小数点后的数字没有意义。63% 相似待验证在保留集上，8k–16k 词表在所有三种模型规模下 bpb 均最低，2k 词表始终表现最差。62% 相似待验证在13个问题上，图方案（Ratified）答对13/13；同样文本上的BM25加bge-small检索器确切命中1/10，前十名内3/10，还有三个计数问题无法打分。62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1077347API
curl https://kongchang.com/api/v1/knowledge/claims/1077347MCP
get_claim(id=1077347)