待验证50% 置信基准精确时间
在混入危险命令的对照实验中，人类只拦下了危险操作的13.6%，而机器分类器拦下了89%
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证Anthropic的研究显示Auto Mode拦截危险命令的成功率高达80%，而人工审查的成功率仅为13.6%69% 相似待验证在实验中当提示超过50条后，人类的拦截率从17%骤降到5%，体现审批疲劳现象68% 相似待验证对抗样本攻击由Szegedy等人于2013年首次系统性揭示，只需叠加人眼不可见的微小扰动（幅度仅像素值1%~2%）即可让检测模型准确率从80%跌至接近随机水平65% 相似待验证基于超过4万次游戏化测试运行的数据显示，在审批AI代理发出的指令时，人类平均漏掉了三分之一的潜在威胁63% 相似待验证在实验中，零样本生成任务解决率为17%，通用自我纠错为27%，仅错误反馈为23%，诊断性反例反馈（A-CEGIS）达到90%63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/897096API
curl https://kongchang.com/api/v1/knowledge/claims/897096MCP
get_claim(id=897096)