待验证50% 置信基准精确时间

数字任务对8个模型中的6个来说是最难的，巨大数字（10¹⁵到10³⁹）得分只有0.06到0.53

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

格鲁吉亚语基准测试：OpenAI与Anthropic的硬核较量

涉及实体

格鲁吉亚语concept

相关事实

待验证0.610 的 WANDR 得分不意味着模型在60%的任务上完全成功，实际部分完成率与任务复杂度分布相关68% 相似待验证该模型每层有512个专家，但每个token只激活其中10个，真正参与计算的权重约6B65% 相似待验证按题目难度排序，所有模型都答对的60道题坚持率91.4%，至少一个模型答错的52道题坚持率仅73.5%，表明谄媚追踪不确定性65% 相似待验证在论文测试的十个环境中，有七个因为种子数据的硬性要求而无法应用统计合成器64% 相似待验证该用户指出这些模型在基准测试中拿到很高分数，却在最简单的任务上频频失败63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/999203

API

curl https://kongchang.com/api/v1/knowledge/claims/999203

MCP

get_claim(id=999203)