待验证50% 置信观点精确时间

评估模型不能只看智能指标，还要看Token使用效率和工具调用次数，工具调用次数过多会导致上下文污染

1

来源数

50%

置信度

长期有效

时效性

2026/7/25

首次发现

来源

OpenAI合并Codex与ChatGPT：三款新模型+Agent工作流深度解析

相关事实

部分验证基准污染指模型在训练过程中已见过测试题目，导致评分虚高、无法反映真实泛化能力72% 相似待验证Scale AI的研究团队发现，部分模型在被污染的基准上的表现比在新编写的同等难度题目上高出10-15个百分点70% 相似待验证研究表明即使是部分污染（模型只见过题目而非答案），也可能显著提升得分69% 相似待验证模型的基准分数更高并不等于在所有场景下都更好用67% 相似待验证指标数量与数据可信度存在错觉权衡：标称20+项指标的低价秤不比8项的可靠，重点看电极数和App算法品牌而非指标条数65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/611276

API

curl https://kongchang.com/api/v1/knowledge/claims/611276

MCP

get_claim(id=611276)