待验证50% 置信事实精确时间
实验规模为 1,350 个测试单元,交叉了 20B 与 120B 两档 gpt-oss 模型、三种 Agent 框架(自研 plan-and-execute、OpenAI Agents SDK、LangChain)和三类故障条件。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/26
首次发现
有效期至:2027/1/24
来源
涉及实体
相关事实
待验证该基准一次性测试了来自六个实验室的18款模型,涵盖Anthropic、OpenAI、Google、DeepSeek、Qwen、GLM等74% 相似待验证研究者构建了名为 ALIGNMENTFORECASTBENCH 的基准测试集,覆盖超过5000个预测问题、17个目标模型、32个数据集和16种失效模式72% 相似待验证测试共跑了 130 个变体,覆盖不同推理努力程度,通过 OpenRouter 调用并尽可能锁定各实验室官方端点71% 相似待验证在双 bug 修复任务的 18 次运行(每个档位三次)中,无论 effort 档位如何,模型均完美通过全部 215 个隐藏测试,质量没有可测量的差异。71% 相似待验证一位独立研究者构建了22个多轮陷阱和84个单轮陷阱,让10款模型跑完全部106个测试,并用三种方式对每条轨迹独立打分71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1098595API
curl https://kongchang.com/api/v1/knowledge/claims/1098595MCP
get_claim(id=1098595)