待验证50% 置信基准精确时间
研究者在三个设计路线的五个开源模型上进行了语料安装测试，其中四个模型在最高压力档位下有害选择降至或接近零。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/28
首次发现
有效期至：2027/1/26
来源
涉及实体
相关事实
待验证演示中部分结论基于有限对局（如三次实验、五轮/十回合），统计显著性有限；不同模型、不同提示词下的表现可能存在较大波动。71% 相似待验证研究设置了五种实验条件，调整证据遮蔽、所有权标记和中性填充替换三个变量，横跨六个初始化聚类，每个聚类包含两种数据顺序70% 相似待验证同一个模型在不同harness下跑出的分数可能相差甚远，差异来源包括提示词模板、few-shot示例数量、答案抽取规则以及是否允许工具调用。70% 相似待验证该基准测试存在以下局限：裁判可靠性问题、100个场景每个只运行一次的样本量限制、单一压力条件、纯文本环境、<think>块不保证能访问模型完整的内部推理、泛化能力有限。69% 相似待验证开发者列出了七条项目局限，包括样本小、仅一轮压力、温度0.5、小型本地模型、辩护者被直接告知答案、评分只看最终答案、Lambda配额措辞不够精确。69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1105903API
curl https://kongchang.com/api/v1/knowledge/claims/1105903MCP
get_claim(id=1105903)