待验证50% 置信基准精确时间
ThinkingBox基准测试共进行了121,680次试验，其中79,853次失败
1
来源数
50%
置信度
长期有效
时效性
2026/10/11
首次发现
来源
涉及实体
相关事实
待验证研究团队在12个模型、总计121,680次有效试验上做回溯性消融分析，其中79,853次未通过可执行检查75% 相似待验证研究人员经人工验证确认了91个失败，并将其归入7个失败位点（failure locus）71% 相似待验证测试套件共10个，大多数各跑1000题，HumanEval为164题，TruthfulQA为817题67% 相似待验证OS World的82项测试并非在完全相同条件下运行，一半任务沿用原基线分数，投入资源和尝试次数也不同，因此7个百分点提升不能全归功于记忆66% 相似待验证Asch从众实验(1951)结果表明约75%的被试至少会在一次试验中顺从群体的错误答案64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/997638API
curl https://kongchang.com/api/v1/knowledge/claims/997638MCP
get_claim(id=997638)