待验证50% 置信基准精确时间
在六款广泛使用的 LLM 上测试，不一致率范围在 20.84% 到 29.44% 之间。
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
待验证在该研究主要的十个LLM评审组成的评审库中，评审错误之间的平均两两相关系数为0.2175% 相似待验证在LongMemEval基准测试中，20个chunk时BM25与嵌入方案收敛于约95%准确率72% 相似待验证2023年的分析显示主流LLM在生成学术引用时的错误率从30%到超过60%不等71% 相似待验证《From Detection to Decision》评估了Jev、两个版本的Llama Prompt Guard 2以及一个LLM裁判，在47,611个留出样本上测试，结论是达到1%假阴性率需要将超过91.8%的输入升级人工处理。71% 相似待验证《Cheap, Consistent, Calibrated, but Biased?》测试了 8 个概率输出的类型化决策模型（TDM）与 7 个 LLM 评审器，发现每个 TDM 在 12 项偏见测试中有 3-8 项存在偏差，其中情绪语气影响最大，准确率从 99% 暴跌至 42%。70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1098632API
curl https://kongchang.com/api/v1/knowledge/claims/1098632MCP
get_claim(id=1098632)