待验证50% 置信基准精确时间
在探索性扩展中，Mistral Small 4表现出显著的西班牙语交换效应：13.7个百分点（95%置信区间[8.4, 18.9]），在主要法官下通过十二次Holm敏感性校正，在第二法官下为12.1个百分点。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/30
首次发现
有效期至：2027/1/28
来源
涉及实体
相关事实
待验证在 FaithCoT-Bench 和 BonaFide 的四个数据集上，VERITAS 的平衡准确率比 LLM-as-Judge 高出 28.4%。60% 相似待验证Claude Sonnet 5在中性对照下猜拳胜率仅33.3%，但在说服和欺骗条件下胜率飙升到86.1%（36轮中31胜5平）59% 相似待验证在LoCoMo基准上，TrawMem相对SimpleMem的LLM-Judge得分提升：Qwen3.5-9B上4.07个百分点，DeepSeek-V4-Flash上4.31个百分点。59% 相似待验证顺序效应：交换两个答案的先后顺序，GPT-5.4在一个基准上改判的比例达11.4%，另一个基准10.5%；Gemini 3.1 Pro和Claude Opus 4.6则在2.0%到3.8%之间。58% 相似待验证四次成功审稿的提示token数分别为Sentinel 5,095、Vuln-Scanner 5,365、Bloom 5,149、Wiper 24,372，响应token分别为1,820、1,764、1,974、1,605；探针花费443提示和1,009响应token。58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1114729API
curl https://kongchang.com/api/v1/knowledge/claims/1114729MCP
get_claim(id=1114729)