待验证50% 置信事实精确时间

首次运行的评分器只接受以 `ANSWER:` 开头的行，导致大多数被判错的答案实际上是正确的，例如数字和标记同行、Markdown加粗、LaTeX格式的正确回复都被判0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

评测陷阱：第一个榜单测的是评分器，而非模型

涉及实体

Numeric Groundingconcept

相关事实

待验证传统的端到端评测只看最终结果的通过与否，无法区分失败发生在检索阶段还是编辑阶段68% 相似待验证确定性评分器能可靠捕捉字段格式错误，但在整个套件上做平均后无法告诉你错误集中在哪里65% 相似待验证绝大多数LLM评测工具只在答案已经呈现给用户之后才进行打分，无法实时拦截错误输出64% 相似待验证当校验失败时系统会自动重试，当无法从源材料中找到答案时会回答「我不知道」而非编造答案64% 相似待验证文章数据与结论均来自单一UP主的演示，基准测试中个别竞品名称存在表述误差64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/999498

API

curl https://kongchang.com/api/v1/knowledge/claims/999498

MCP

get_claim(id=999498)