待验证50% 置信基准精确时间
基准测试由 12 个真实任务组成（每类别两个），全部用确定性方式打分，于 2026 年 10 月 11 日跑完，覆盖 10 个模型，每任务一次尝试，总花费 1.78 美元
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/11
首次发现
有效期至：2026/10/25
来源
涉及实体
相关事实
待验证试点实验让三个编程代理和八个模型各跑八次20分钟单次任务，标签感知F1从0.143到0.892方差极大70% 相似待验证编码任务实测中模型实现Python流式响应解析器，14项自测一次通过，真实任务总用时约49.94秒，独立复跑14项测试加4项额外检查全部通过68% 相似待验证ThinkingBox 中每个任务被独立执行 20 次，每次从干净的后端初始状态开始，每个模型需跑 10,140 次试验68% 相似待验证一个包含5个Agent、每Agent平均10轮推理、每轮2000 Token的任务单次执行约消耗10万Token，而等效确定性工作流可能只需一次几百Token的调用67% 相似待验证在每月跑 1000 次、每次 9 个 action 的测试场景中，Zapier 需消耗 9000 个 task65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/998501API
curl https://kongchang.com/api/v1/knowledge/claims/998501MCP
get_claim(id=998501)