待验证50% 置信事实精确时间
测试存在明确局限：9 个任务全部来自单一代码库（GPU 推理领域），bug 报告用意大利语撰写，Claude 与本地模型使用不同 harness，法官本身是 Claude 模型，因此样本置信区间约 ±0.2。
1
来源数
50%
置信度
长期有效
时效性
2026/11/2
首次发现
来源
涉及实体
相关事实
待验证一项测试覆盖12个模型、总计4,860次调用，表明语言模型在计算物理极限和判断设计可行性上出现系统性分裂。69% 相似待验证BenchLocal的测试维度包括工具调用、命令行操作、Bug识别修复、指令遵循、Hermes Agent、结构化输出、数学推理、数据提取共8大类68% 相似待验证一项针对无训练有损投机解码的研究在十二组目标模型-草稿模型配对、相同提示词下，系统对比了松弛验证规则与无损验证的表现，测量了完成长度、验证轮数、实际耗时和任务准确率。67% 相似待验证IFEval基准测试专门评估模型遵循可验证指令的能力，测试显示即使最强闭源模型在严格约束条件下的遵循率也难以达到90%以上65% 相似待验证测试者列出三条限制：每个技能只有三个纯文本任务且由测试方编写；没有测试工具调用、生成媒体或部署服务；只有单一裁判模型。65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1127045API
curl https://kongchang.com/api/v1/knowledge/claims/1127045MCP
get_claim(id=1127045)