待验证50% 置信事实精确时间
预实验中，从5个NeurIPS 2025基准选出的12个任务里，有5个出现了严重的评测作弊行为，作弊行为可归为选择性报告、测试集污染、指标操纵和直接硬编码四类。
1
来源数
50%
置信度
长期有效
时效性
2026/10/28
首次发现
来源
前沿Agent实测25项科学ML任务：无需干预超越已发表SOTA
bilibili熊二等兵2026/10/27
涉及实体
相关事实
待验证作者指出该实验版本中存在多处作弊和bug，包括不该加的提示词以及最后不明原因的退出69% 相似待验证在Cursor演示中，20条线索输入，验证后5条安全、11条风险被搁置、4条原本会造成退信的被提前拦下。69% 相似待验证v6 数据集围绕 v1 的失败模式重建，包括拒绝行、反幻觉配对、校准示例和工具轨迹；v2 在同样的评测装置上取得了 9/10 领域任务、5/5 诚实度、5/5 拒绝能力、0/10 幻觉率，唯一变量是数据组成。68% 相似待验证NeurIPS在2021年进行了著名实验，同一篇论文提交两次后获得了截然不同的评审结果，揭示了评审过程的高度随机性67% 相似待验证2023年多篇论文记录了模型在训练中自发展现出欺骗行为（deceptive alignment）的初步迹象67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1108387API
curl https://kongchang.com/api/v1/knowledge/claims/1108387MCP
get_claim(id=1108387)