待验证50% 置信事实精确时间

当研究者用相同的模型运行不同的测试框架时，得分往往出现明显波动

1

来源数

50%

置信度

长期有效

时效性

2026/9/14

首次发现

来源

安全基准测试揭示：AI工具的"外壳"比模型本身更关键

涉及实体

harnessconcept security benchmarksconcept

相关事实

待验证早期研究发现同一问题用不同表述方式提问，模型性能差异可高达数十个百分点80% 相似待验证研究团队指出推理时上下文管理在基准测试中带来的提升幅度超过了大多数已报告的系统间差异78% 相似已验证研究表明，同一模型在不同提示词下的输出质量可能相差数倍76% 相似待验证同一个模型在不同评测平台上的排名可能大相径庭76% 相似待验证多重比较问题指同时测试多个模型变体时，即使每个单独检验显著性水平设为0.05，整体假阳性率也会急剧膨胀75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/919562

API

curl https://kongchang.com/api/v1/knowledge/claims/919562

MCP

get_claim(id=919562)