待验证50% 置信基准精确时间

在 Terminal Bench 2.1 测试中，OpenCode 对比里 89 个任务的失败数从 29 降到 16，多解决 13 题，分数提升 14.61 个百分点

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/8/27

首次发现

有效期至：2026/11/25

来源

AI Agent可靠性：10个开源项目解决干活容易对账难

涉及实体

AutoPrompt Scaleproduct Terminal Benchconcept OpenCodeproduct

相关事实

待验证Google的工程实践报告指出，大型代码库中约16%的测试失败属于flaky failure（非确定性故障）66% 相似待验证主流AI生成API的任务成功率通常在92%-98%之间，每100个任务中有2-8个可能失败62% 相似待验证在一个396个文件的大型混合职责项目上测试时，召回率几乎跌到零62% 相似待验证在 Terminal Bench 基准测试上，某模型在本身不变、仅改进框架的情况下，排名从三十名开外提升至前五62% 相似待验证在Agency工具调用测试中两款模型均得95分，唯一失败的都是第13号任务（美元到日元外币转换）62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/808665

API

curl https://kongchang.com/api/v1/knowledge/claims/808665

MCP

get_claim(id=808665)