待验证50% 置信基准精确时间

修正评分器后，四个模型在全部五个理智门任务上都拿了100%

1

来源数

50%

置信度

短期 (~14 天)

时效性

2026/10/11

首次发现

有效期至：2026/10/25

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

Gemini 3.7 Flashmodel GLM-5model Qwen 3 235B A22B Instructmodel gpt-oss-120bmodel

相关事实

待验证当所有模型在某评测上都能拿90分时该评测就应退场，即基准饱和现象66% 相似待验证在CWRU上集成模型在四个留出负载中的三个达到100%准确率，第四个为92.27%65% 相似待验证在行动恰当性上，所有模型的平均得分达到95.6%64% 相似已验证思维链效果在参数量超过100B的模型上尤为显著64% 相似待验证在5%显著性水平下测试100个随机因子，期望会有5个看起来显著（多重假设检验问题）64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/999500

API

curl https://kongchang.com/api/v1/knowledge/claims/999500

MCP

get_claim(id=999500)