待验证50% 置信事实精确时间

同一个模型在不同评测平台上的排名可能大相径庭

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

AA指数更新：Fable 5.1与GPT-astra并列，大模型竞争格局深度解读

涉及实体

benchmarkconcept

相关事实

已验证研究表明，同一模型在不同提示词下的输出质量可能相差数倍78% 相似待验证综合多个独立来源的评测结果比单一自报基准分数更能反映模型的实际水平75% 相似待验证当综合评估指数中顶尖模型得分接近天花板时会出现基准饱和问题，60分对59分的差距在统计学上通常处于误差范围之内72% 相似待验证当两个模型的95%置信区间重叠时，它们之间的排名差异可能不具有统计意义72% 相似待验证指标数量与数据可信度存在错觉权衡：标称20+项指标的低价秤不比8项的可靠，重点看电极数和App算法品牌而非指标条数71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/901394

API

curl https://kongchang.com/api/v1/knowledge/claims/901394

MCP

get_claim(id=901394)