待验证50% 置信注意事项精确时间

用完成度式的代理指标评分会把干净终止但结果错误的失败判为成功，这是当前许多智能体评估的缺陷

1

来源数

50%

置信度

长期有效

时效性

2026/10/9

首次发现

来源

ThinkingBox：微软用20次重复测试重新定义AI智能体可靠性

涉及实体

ThinkingBoxproduct

相关事实

待验证记录'某个推荐方案不适用'的负样本与记录成功同样重要，否则模型会陷入统计偏差，把高频方案误当成高正确率方案74% 相似待验证在干净终止却实际失败的轨迹中，字段值错误占 77.61%，意料之外的额外副作用占 43.30%，缺失必需副作用占 25.36%（类别有重叠）72% 相似待验证研究结论是偏见检测成功了，但对模型的排名失败了72% 相似待验证对于推理服务而言，一个功能正确但让吞吐量下降30%的补丁实际上是不可接受的，性能表现应纳入评测维度72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/991246

API

curl https://kongchang.com/api/v1/knowledge/claims/991246

MCP

get_claim(id=991246)