待验证50% 置信事实精确时间
在诚实度测试中，斩钉截铁答错的次数分别为：Opus一道、Sonnet四道、DeepSeek Flash十八道、DeepSeek Pro二十六道。
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/21
首次发现
有效期至：2026/11/4
来源
涉及实体
相关事实
待验证在新版24点问题（数字2、7、8、10，要求三个不同解法）测试中，DeepSeek V4.1 Flash 三个解法全部出错，均违反每个数字只能使用一次的约束73% 相似待验证在360条干净文本测试中，Jev仅误判1次，gpt-5-mini误判1次，Gemini 2.5 Flash-Lite和Gemma各误判2次，gpt-oss-safeguard-20b误判4次，Llama Guard 4误判26次。68% 相似待验证在补全FP8量化函数最后一个Token的任务中，DeepSeek-V4-Flash-Base在代码前加等号装饰后，当等号数量除以4余数为0或1时错误率高达71.3%，余数为2或3时正确率回到91.5%。67% 相似待验证DeepSeek V4.1号称SWE拿到74，但博主发现那是多次测试中挑出的最好成绩，open code实测65、PI实测6666% 相似待验证Caveman给出的固定54次运行基准测试结果显示输入Token减少33.2%，且18/18项正确性检查全部通过66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1081796API
curl https://kongchang.com/api/v1/knowledge/claims/1081796MCP
get_claim(id=1081796)