待验证50% 置信基准精确时间

在DoGBench的测试中，没有任何一个模型的得分能够超过50%

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/2

首次发现

有效期至：2026/12/31

来源

DoGBench发布：首个面向用户文档生成基准，无模型得分超50%

涉及实体

DoGBenchproduct

相关事实

待验证ItaSoRL实验中智能体的内部状态探测准确率仅约50%，等同于随机猜测水平66% 相似待验证Anthropic的研究显示，即使面对毫无根据的质疑，在某些测试中模型被用户简单反驳后放弃正确答案的比例超过50%65% 相似待验证选择与生成的差距超过50个百分点，揭示当用户需要模型直接写出亲属称谓时可靠性远低于基准测试所呈现的水平65% 相似待验证研究显示误报率超过50%时,质量工具的实际价值趋近于零64% 相似待验证OSWorld 2.0中模型评估仅占总得分的11.53%，且没有任何任务的模型评估占比超过50%63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/966331

API

curl https://kongchang.com/api/v1/knowledge/claims/966331

MCP

get_claim(id=966331)