待验证50% 置信基准精确时间

四个Agent在25项任务上均取得正向平均相对提升：Claude Opus 10.4%、Claude Sonnet 9.6%、Gemini 6.8%、Codex 4.4%，所有基准的现有最优结果均被超越，审计阶段未发现学术不端行为。

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

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

Claude Opusmodel Claude Sonnetmodel Codexmodel Gemini CLIproduct

相关事实

待验证Opus-4-8的原始能力比sonnet-4-6高出10个百分点，但其范围遵守能力高出35.6个百分点72% 相似待验证Claude Opus 5 在 ThinkingBox 中 pass@20 为 79.09%，all-20 达到 47.53%（241个任务稳定通过）70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1108392

API

curl https://kongchang.com/api/v1/knowledge/claims/1108392

MCP

get_claim(id=1108392)