待验证50% 置信基准精确时间
在六个智能体和六种模型-尺寸设置下，36份提交中有29份通过了独立验证。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/5
首次发现
有效期至：2027/2/3
来源
涉及实体
相关事实
待验证研究者测试了 22 个模型、26 种配置，发现没有任何一种配置能通过其 168 次运行中的超过 46 次。72% 相似待验证该基准测试使用10篇200到250词的原创短文档，埋入18处异常，共37个评分条目（18脏19净），测试13个模型，每个模型74条prompt72% 相似待验证40个观测的参考分布为：已记录证据1个、未定位33个、明确缺失0个、模糊6个。70% 相似待验证在一项预注册研究中，仅依赖LLM裁判的置信区间在21个任务与裁判组合中有18次未能覆盖全人工标注的真值。70% 相似待验证研究者对540份评判结果进行了再分析，并手动标注了18份提交中的256个数值声明。69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1138468API
curl https://kongchang.com/api/v1/knowledge/claims/1138468MCP
get_claim(id=1138468)