待验证50% 置信事实精确时间
Cognition评测套件包含132个测试任务，覆盖安全补丁与性能优化等类别，由20多位开源维护者参与构建，每项任务耗时超过40小时。
1
来源数
50%
置信度
长期有效
时效性
2026/11/1
首次发现
来源
OpenAI、Anthropic、谷歌同日曝新动作：模型迭代与生态变局
bilibili菲猫Feimao2026/10/31
涉及实体
相关事实
待验证开发者进行了1932次运行测试，使用100个逼真工具（含故意易混淆工具如pdf_compress、pdf_optimize、image_compress），工具数量从5到100共8档，每个条件跑两次，测试18个任务（含10个模糊任务）。76% 相似待验证ThinkingBox 中每个任务被独立执行 20 次，每次从干净的后端初始状态开始，每个模型需跑 10,140 次试验71% 相似待验证在线上测试候选工作台，单个任务需要4到20次完整Agent运行，因此Harness²不适合对随手一问的提示实时使用，更适合用在前10到20个任务上积累领域库。71% 相似待验证在生存游戏Arena实验中，约100个智能体并行完成任务约20分钟，顺序执行则需数小时70% 相似待验证D0放开给整个Vercel使用后每天涌入数千条查询，团队通过定时任务将最近查询蒸馏成技能（skill），目前已积累约100个技能69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1124472API
curl https://kongchang.com/api/v1/knowledge/claims/1124472MCP
get_claim(id=1124472)