待验证50% 置信观点精确时间
许多多模态基准在评估模型时仅看最终答案准确率，忽略模型是否真正依赖图像，常见问题是文本捷径导致多模态能力被高估。
1
来源数
50%
置信度
长期有效
时效性
2026/10/23
首次发现
来源
涉及实体
相关事实
待验证当模型对语义等价的不同问法给出质量迥异的答案时，说明模型对表层措辞过度拟合而未真正掌握底层任务79% 相似待验证单次采样无法代表模型对某提示词的真实能力分布，3次以上独立采样才能提供足够的方差估计，是生产级提示词评估的最佳实践76% 相似待验证同时向多个AI提问同一个问题，是发现模型盲点和自信错误的最快方式。73% 相似待验证现有深度研究Agent在推理时常低估搜索轨迹中发现的图像，生成时倾向于固定形式的答案，对报告粒度、多模态组合和证据落地的控制有限。73% 相似已验证研究观察到解答的正确性与推理轨迹的有效性之间存在明显的不相关性，模型经常在推理轨迹完全无效的情况下依然得出正确答案73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1088181API
curl https://kongchang.com/api/v1/knowledge/claims/1088181MCP
get_claim(id=1088181)