待验证50% 置信观点精确时间

一个对提示词措辞敏感的基准，排行榜名次可能更多反映各模型碰巧对上评估器口味，而非真实能力高低

1

来源数

50%

置信度

长期有效

时效性

2026/10/6

首次发现

来源

提示词敏感性：是模型问题还是评估方式的锅？

涉及实体

基准测试concept

相关事实

待验证人类标注者在评估答案时存在信息越丰富越好的认知偏差，导致奖励模型将篇幅与质量隐性挂钩，是模型冗余的成因之一77% 相似待验证贴合自身场景的评测往往比通用榜单更能反映模型对用户的实际价值76% 相似待验证多智能体反馈不等同于真实用户测试，在品牌语气、文化敏感性等高度情境化判断场景中仍需人工把关75% 相似待验证由于人类评分者更青睐语气自信、结构清晰的文本，模型在迭代中被强化了听起来权威的倾向而非单纯更加准确74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/979864

API

curl https://kongchang.com/api/v1/knowledge/claims/979864

MCP

get_claim(id=979864)