待验证50% 置信基准精确时间

大多数前沿模型在重复运行同一任务时方差极大，可能得到截然不同的结果

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/21

首次发现

有效期至：2026/12/20

来源

AI能力在飙升，可靠性却停滞：被忽视的真正难题

涉及实体

HAL (Holistic Agent Leaderboard)product

相关事实

待验证大模型在逆向拆解任务中存在幻觉风险，更容易在常见框架标准用法上准确，而在非标准实现或项目特有约定上产生偏差74% 相似待验证在同等参数规模下，扩散语言模型的困惑度和下游任务表现通常仍落后于成熟的自回归模型73% 相似待验证同一个模型配上不同的 harness，在真实编码任务上的成功率可能差别巨大73% 相似待验证当模型同时优化任务准确性和置信度校准时，两个梯度方向可能相互干扰，涉及灾难性遗忘和目标冲突问题73% 相似待验证不同任务类型的涌现阈值存在巨大差异，某些推理能力在模型规模跨越临界点时突然涌现，而标准代码补全呈现平滑饱和曲线73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/939569

API

curl https://kongchang.com/api/v1/knowledge/claims/939569

MCP

get_claim(id=939569)