待验证50% 置信基准精确时间

两个模型在编造时的自信程度与答对时几乎一样（Gemini 93.7% vs 95.5%，Gemma 96.3% vs 99.0%），说明置信度数字无法区分正确与编造

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

GhostInk基准测试：AI能承认"我看不清"吗？

涉及实体

Gemini 3.7 Flashmodel Gemma 4model

相关事实

待验证当两个模型的95%置信区间重叠时，它们之间的排名差异可能不具有统计意义72% 相似待验证当用户将错误答案作为自信陈述并推两次时，模型坚持率从94.4%跌到84.0%70% 相似待验证作者强调99.3%不是CFC准确率的普遍值，也不是Gemini的通用可靠性评分，只是该特定可复现决策闭合基准上的分数70% 相似待验证许多模型在错误答案上仍表现出高度自信，存在自信度校准（confidence calibration）问题69% 相似待验证在第一轮 34 道逻辑推理题中，类似 JEV 的单头模型准确率为 94.12%，GAN8 为 93.01%，几乎打平68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/998779

API

curl https://kongchang.com/api/v1/knowledge/claims/998779

MCP

get_claim(id=998779)