待验证50% 置信基准精确时间

在无诱饵的难核查档，GPT-5.4 nano 只有19/40两次都答对，并有65%概率选Response A；GPT-5.4 mini 选A概率66%，Grok 4.20非推理版62%，而强裁判稳定在50%

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/11

首次发现

有效期至：2027/1/9

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

GPT-5.4 nanomodel GPT-5.4 minimodel Grok 4.20model

相关事实

待验证在难核查档注入诱饵下，GPT-5.4 mini 两种顺序都判错的题数从3升至39，Qwen3-Next 80B Instruct 从4升至38，GPT-5.4 mini 和 Qwen3-Next Instruct 的难题得分直接归零（低于随机抛硬币的约0.25）72% 相似待验证在CAD World的200个任务测试中，最强的GPT-5.4成功率仅有17.5%69% 相似待验证在EvoArena测试中，Step Level最高的GPT-5.5只有50%出头的准确率，Chain Level表现最好的Gemini-3.1 Pro和GLM-5.1也只有约28%-29%68% 相似待验证GPT-5.4准确率为50.5%，其配对的永远说涨基准为51.6%67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/996775

API

curl https://kongchang.com/api/v1/knowledge/claims/996775

MCP

get_claim(id=996775)