待验证50% 置信事实精确时间
XiangqiBench 研究团队构建了 119 个带有强制将杀的战术残局，并通过引擎或纯将军搜索进行验证
1
来源数
50%
置信度
长期有效
时效性
2026/10/5
首次发现
来源
涉及实体
相关事实
待验证测试共跑了 130 个变体，覆盖不同推理努力程度，通过 OpenRouter 调用并尽可能锁定各实验室官方端点56% 相似待验证BenchLocal的测试维度包括工具调用、命令行操作、Bug识别修复、指令遵循、Hermes Agent、结构化输出、数学推理、数据提取共8大类55% 相似待验证一位独立研究者构建了22个多轮陷阱和84个单轮陷阱，让10款模型跑完全部106个测试，并用三种方式对每条轨迹独立打分55% 相似待验证成员推断攻击的基本思路源于Shokri等人2017年的工作，通过观察模型对特定样本的置信度或损失值判断该样本是否在训练集中54% 相似待验证XiangqiBench 是一个以中国象棋为载体的可执行基准测试，发表在 arXiv 上，主张智能体评估应衡量闭环结果并同时报告覆盖率与可靠性54% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/975455API
curl https://kongchang.com/api/v1/knowledge/claims/975455MCP
get_claim(id=975455)