待验证50% 置信基准精确时间

作者用相同的20个场景测试了OpenAI、xAI和Anthropic的旗舰模型，GPT、Grok、Gemini和两个Claude模型面对护士留言时守住立场的比例从接近满分下滑到70%-85%区间

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

一张假护士条就能让AI改口：医疗建议的"反驳测试"揭示安全隐患

涉及实体

OpenAIcompany xAIcompany Anthropiccompany GPTmodel Grokmodel Geminimodel Claudemodel

相关事实

待验证在模拟实验中，作者生成了40个区域、横跨两年的每周预订量数据，其中5个区域接受治疗，真实效应为预订量增加10%64% 相似待验证参与 PhysMent 测试的七个模型准确率跨度从 25% 到 67%62% 相似待验证实测中一个小型OpenAI模型丢失了66%到81%的评分器回复62% 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61% 相似待验证在一个编辑基准测试中，同一个 GPT 模型的得分因框架不同从 99% 跌到 70%61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/999514

API

curl https://kongchang.com/api/v1/knowledge/claims/999514

MCP

get_claim(id=999514)