待验证50% 置信基准精确时间

GPT-5.4在44.7%的问题上被「可信来源」翻转，Grok-4.20翻转比例高达87.5%，Gemini-3.1-Pro仅0.6%几乎无动于衷

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/1

首次发现

有效期至：2026/12/30

来源

权威偏见：LLM拒绝用户纠错却轻信「可信来源」

涉及实体

GPT-5.4model Grok-4.20model Gemini-3.1-Promodel

相关事实

待验证早期GPT-4在SWE-bench上的解决率不足2%，而近期顶尖模型已突破50%78% 相似待验证Grok 4.5在Terminal Bench基准测试中取得83.3%，基本与GPT 5.5打平，略低于Claude 577% 相似待验证顶级自回归模型如GPT-4o、Claude 3.5在GSM8K上准确率已超过95%，导致基准饱和77% 相似待验证GPT-5.6编程能力在关键基准上达到91.9%，安全评测CyberGym得分85.6%，均超越竞品Nexus 576% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/965811

API

curl https://kongchang.com/api/v1/knowledge/claims/965811

MCP

get_claim(id=965811)