待验证50% 置信观点精确时间
该用户指出这些模型在基准测试中拿到很高分数，却在最简单的任务上频频失败
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/9/9
首次发现
有效期至：2026/12/8
来源
涉及实体
相关事实
待验证OpenAI的图表显示，在较低的测试时计算量下，模型对这道题的成功率接近零，只有在极长的推理链条下才偶尔成功73% 相似待验证全模态大模型虽然支持语音输入输出，但在智能体基准测试上的得分远远低于主流推理模型71% 相似待验证不同模型在基准测试上的性能差异往往远小于同一模型在不同任务类型、不同输入格式下的行为差异71% 相似待验证对同一测试用例执行多次调用统计成功比例得到通过率，比二元的通过/失败判断更能反映模型真实表现68% 相似待验证2023年多项独立研究表明部分顶级模型在标准数学推理测试中分数极高，但在等价的重新表述版本上成绩大幅下滑，表明模型学习的是测试模式而非真正的推理能力67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/884472API
curl https://kongchang.com/api/v1/knowledge/claims/884472MCP
get_claim(id=884472)