待验证50% 置信基准精确时间

所有反审查模型变体与基础模型在GSM8K数学推理测试中的差距都在1.2个百分点以内

1

来源数

50%

置信度

短期 (~14 天)

时效性

2026/9/7

首次发现

有效期至：2026/9/21

来源

Qwen3.8 27B反审查模型实测对比：167小时GPU测试揭示真相

涉及实体

相关事实

待验证最优变体在GSM8K数学推理基准仅下降1.83%，MMLU综合知识基准保持不变73% 相似已验证在MMLU、HumanEval、GSM8K等主流评测中，头部大模型的得分差距往往只有几个百分点68% 相似待验证研究表明，即使在 GSM8K 或 MATH 数据集上接近满分的模型，面对稍作变形或需要跨领域组合的问题时性能下降可达30-50个百分点67% 相似待验证自洽性在GSM8K等数学推理基准上能带来5-20个百分点的提升67% 相似待验证GLM5.2的推理速度明显慢于同级别模型，是其最大短板64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/871881

API

curl https://kongchang.com/api/v1/knowledge/claims/871881

MCP

get_claim(id=871881)