待验证50% 置信事实精确时间
测试中发现同一局面让模型多往后推演两步，结果未必更好，有时最后一手反而更差
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/9
首次发现
有效期至：2027/1/7
来源
涉及实体
相关事实
待验证在链条逐步加长的实验中，单步时三类模型全对，但第二步起两个「一眼模型」开始出错，再往后几步几乎全错，而 thinking 模型全程接近完美且仅 token 数量增长78% 相似待验证基准饱和指当模型性能提升到一定程度后，基准测试不再能够有效区分不同模型之间的能力差异74% 相似待验证自洽性检验通过让模型对同一问题多次采样比对答案稳定性，只消耗推理时间而不增加显存峰值72% 相似待验证如果两个安全基准测试使用了不同的harness，单纯比较它们的分数就失去了意义，因为比较的是两套完整系统而非两个模型71% 相似待验证随着模型能力提升，能力与对齐之间的张力会愈发显著，对齐失败的后果也随之放大70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/993097API
curl https://kongchang.com/api/v1/knowledge/claims/993097MCP
get_claim(id=993097)