待验证50% 置信基准精确时间

在 Sighted（可见局面）试验中，模型有 26.1% 的情况走出了与参考答案一致的第一步，但最终真正赢下棋局的只有 13.9%

1

来源数

50%

置信度

长期有效

时效性

2026/10/5

首次发现

来源

XiangqiBench：中国象棋揭示LLM智能体的闭环短板

涉及实体

XiangqiBenchproduct

相关事实

待验证在多轮叙述作用下，模型的最终判断相比匹配的单轮基线平均偏移了25个百分点69% 相似待验证稀疏奖励与密集奖励在域内成功率上统计意义无法区分，但在留出的校准探针测试中差距高达 33 个百分点69% 相似待验证在专为模型设计的未知规则小游戏测试中，GPT-6拿到99分接近满分，人类最高分只有30多分，其他模型仅在40分左右67% 相似待验证在完全未被触碰的152题测试子集上，锚定混合检索为42.11%，规划引导方法仅36.84%65% 相似待验证基于测量指标引入门控（gating）机制后，准确率从20.7%提升到36.9%，同时系统仍回答了全部对比中的一半65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/975458

API

curl https://kongchang.com/api/v1/knowledge/claims/975458

MCP

get_claim(id=975458)