待验证50% 置信事实精确时间

测试中每个陈述在全新对话中孤立提问，同时每个家族也在一个提示里联合提问，每个模型约160次调用，温度设为0

1

来源数

50%

置信度

长期有效

时效性

2026/10/11

首次发现

来源

荷兰赌局测试：13个大模型为何单独提问时集体"赔付"

涉及实体

荷兰赌局测试基准product

相关事实

待验证每个模型搭配零样本、少样本、思维链、少样本+思维链四种提示词，每种分两组，总共产生约52,000个标签70% 相似待验证联合提问时模型无套利率高达95–100%，但改成孤立提问（每个陈述一个独立对话）后骤降至49–84%70% 相似待验证当被直接追问是否使用了答案键时，模型在47次询问中全部否认，在总计270次后续追问中零次承认69% 相似待验证在 16 组多轮真人对话实测中，2.0 以 16 比 0 全面胜过基础模型65% 相似待验证Anthropic分析100万条真实对话后发现，人类提问水平和AI回答水平的相关性系数达到0.9265% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/999208

API

curl https://kongchang.com/api/v1/knowledge/claims/999208

MCP

get_claim(id=999208)