待验证50% 置信基准精确时间
在发现阶段测试了15个模型,表现最强的模型能够发现超过80%的隐藏需求,而开源权重模型只能发现40-50%。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/3
首次发现
有效期至:2027/2/1
来源
涉及实体
相关事实
待验证在生物医学推断和漏洞检测两个任务上,针对18个模型测试,best-of-10攻击对专有模型平均翻转正确回答的比例为54.9%,对开放权重模型达到80.0%。73% 相似待验证基准测试揭示了十个模型在缺失鲁棒性、证据获取和恰当行动三个维度上存在显著差异。68% 相似待验证在使用Traework完整模拟产品开发流程的测试中,工具在调研阶段检索了100多个来源,但经人工核验后真正可用的只有约40个,另外60个需要剔除或再查68% 相似待验证前沿模型仍比开源模型更强,但差距在缩小;一个可参考的配比是约 20% 的前沿模型用于最关键任务,长尾 Token 交给更小的模型。67% 相似待验证在TRACES测试中,每一个模型在'智能体式'探针中的失败率都超过71%;30个模型中有22个失败率超过90%。67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130180API
curl https://kongchang.com/api/v1/knowledge/claims/1130180MCP
get_claim(id=1130180)