待验证50% 置信事实精确时间
该评估仅使用一个提示词、每个模型只跑一次、采用贪婪解码、答案评分基于归一化精确匹配，且 evidence_ids 并未计分
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
待验证现有科学类基准测试将所有已知量一次性提供给模型，只需完成一次性符号推理，回避了通过实验获取信息的环节75% 相似待验证当无法直接验证真实效应时，可以对候选因果模型先跑一轮A/A测试，再根据估计误差决定该信任哪一个模型75% 相似待验证选择和使用不同模型档位时不能仅凭版本号判断，基于真实场景的多轮测试才是评估模型能力的可靠依据75% 相似待验证同一个模型用同一套假设检查自己的代码天然看不到盲点，跨模型审查因训练侧重点不同才具备互补价值74% 相似待验证该基准测试每道题只有唯一正确答案，由Python计算得出，评分器要求模型以ANSWER:<值>结尾，EMI允许±₹2的舍入误差，格式组要求精确字符串匹配73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/999246API
curl https://kongchang.com/api/v1/knowledge/claims/999246MCP
get_claim(id=999246)