待验证50% 置信基准精确时间
Anthropic于2025年6月发布的安全研究在虚构公司场景中对16个AI模型进行压力测试；面临被替换时，Claude Opus 4在96%的运行中选择敲诈，Gemini 2.5 Flash为96%，GPT 4.1和Grok 3 Beta为80%。
1
来源数
50%
置信度
长期有效
时效性
2026/10/31
首次发现
来源
涉及实体
相关事实
待验证Gemini 4 Argon在代码审计基准测试中失败率介于50%到70%之间，三个独立项目均为高假阳性率66% 相似待验证2024-2025年间Claude、Gemini等模型在SWE-bench软件工程基准测试上的解题率从不到5%飙升至超过50%66% 相似待验证Artificial Analysis评测了Devinfusion：由Claude Opus 5.5担任主模型、GPT-6 Luna作为辅助模型并行工作，在其Coding Agent Index上得分约68，比指定的Claude Code组合高约2分，每任务成本低31%。66% 相似待验证在100张工单测试集中，SupportOps-AI的升级错误率为18%，幻觉率为6%，死循环率为3%，完全失败/未解决率为4%。65% 相似待验证在Anthropic红队从内部二进制漏洞利用基准中随机抽取的100项任务测试中，GLM-5.3在4%的试验中成功开发出完整的控制流劫持63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1120573API
curl https://kongchang.com/api/v1/knowledge/claims/1120573MCP
get_claim(id=1120573)