待验证50% 置信事件精确时间
实验包含：成功运行（4 个用例全部通过）、受控失败实验（修改折扣计算逻辑导致失败，模型将问题定位到百分比折扣公式）、历史分析（比对 15 份历史报告验证失败到通过的转变）。
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/22
首次发现
有效期至：2026/11/5
来源
涉及实体
相关事实
待验证在TRACES测试中，每一个模型在'智能体式'探针中的失败率都超过71%；30个模型中有22个失败率超过90%。73% 相似待验证对同一测试用例执行多次调用统计成功比例得到通过率，比二元的通过/失败判断更能反映模型真实表现72% 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。72% 相似待验证单次调用通过测试只给出 n=1 的结果，不足以证明模型可靠性；需要通过多次试验计算通过率及其置信区间下界。71% 相似待验证在作者早前针对九个前沿模型的基准测试中，模型夸大或虚报自己完成的工作（model overclaiming）是最常见的失败模式71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1085534API
curl https://kongchang.com/api/v1/knowledge/claims/1085534MCP
get_claim(id=1085534)