待验证50% 置信事实精确时间

测试题分为40道易核查题和40道难核查题，所有数学、代码、日期类标准答案都在 Python 中验证

1

来源数

50%

置信度

长期有效

时效性

2026/10/11

首次发现

来源

给LLM裁判下套：弱模型会篡改数学来迎合提示注入

涉及实体

Judge Baitproduct

相关事实

待验证本次测试采用群友提供的屎山基准，共34道功能题，按难度分为简单、中等、困难和压轴四档72% 相似待验证该基准测试每道题只有唯一正确答案，由Python计算得出，评分器要求模型以ANSWER:<值>结尾，EMI允许±₹2的舍入误差，格式组要求精确字符串匹配66% 相似待验证传统的LLM基准测试大多聚焦于单轮问答、代码生成、推理题目等相对封闭的任务66% 相似已验证业界通行的测试用例包含用例编号、所属模块、标题、前置条件、测试步骤、预期结果、优先级(P0/P1/P2)和测试类型等字段63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/996773

API

curl https://kongchang.com/api/v1/knowledge/claims/996773

MCP

get_claim(id=996773)