待验证50% 置信基准精确时间

本次基准参赛阵容共24个条目：17个来自OpenAI、Groq、OpenRouter免费层的LLM，外加4个非LLM基准线（随机策略、贪婪攻击、保持距离、脚本启发式）和2个模拟策略

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/8/5

首次发现

有效期至：2026/11/3

来源

Stickblade Arena：让大模型在物理竞技场里对决的新基准

相关事实

待验证OpenAI、Anthropic、Google、DeepSeek等厂商的旗舰模型在主流基准测试上的差距正在缩小57% 相似已验证缓解LLM裁判不稳定的策略包括多次采样取众数、使用多个裁判模型交叉验证、设计更精细的评分维度以及保留人工复核环节57% 相似待验证应对长尾分布的常见策略包括过采样（如SMOTE）、欠采样、类别权重调整、Few-shot Learning及利用大模型零样本能力兜底57% 相似待验证2023年卡内基梅隆大学研究团队发现了基于梯度的自动化越狱方法（GCG攻击），通过在提示词后附加看似无意义的后缀字符串即可绕过几乎所有主流模型的安全防护56% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/691138

API

curl https://kongchang.com/api/v1/knowledge/claims/691138

MCP

get_claim(id=691138)