待验证50% 置信基准精确时间
在Artificial Analysis编程智能体榜单上，Large 4得分48%，与开源第一的GLM5.3基本打平，但平均每个任务使用的token少47%。
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/30
首次发现
有效期至：2026/11/13
来源
涉及实体
相关事实
待验证在公开健康基准测试中，一个普通AI模型在开发者自己的复跑中得分高于Tabibu，0.522对0.426（非官方排行榜数据），开发者认为原因是Tabibu的安全层在基准测试中拉低了分数。71% 相似待验证作为对比，Program-of-Thought基线整体准确率为72.0%，工具调用agent为58.7%70% 相似待验证取每个模型最佳努力档位，5x5 网格解题率约 85%，10x10 降至 46%，15x15 仅剩 20%69% 相似待验证在全部68个任务-范式组合中，35.3%的组合里PPG基础模型相比随机/常数基线没有任何有意义的优势69% 相似待验证Neural 3 base模型4层版在mobile action基准上只有11.7分、droid call上21分，完整20层分别为86和47分，有开发者自测只得到32.2%69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1114953API
curl https://kongchang.com/api/v1/knowledge/claims/1114953MCP
get_claim(id=1114953)