已过期50% 置信基准精确时间
41个完整测试套件中有20个拿到满分100%，该基准已无法区分这些领先模型
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/11
首次发现
此条事实已过期，仅作历史留存，不再代表当前状态
有效期至：2026/10/25(已过期)
来源
涉及实体
相关事实
待验证手工编写的 22 计算器库在其支持的 440 个病例上完全精确，但对其余病例选择弃权，整体覆盖率仅 40.0%72% 相似待验证大约一半的任务对所有模型来说都很简单，得分接近100%；另一半难题上三个模型分别拿到50%、45%和23%71% 相似待验证测试中出现模型自称某步有95%把握但按评分标准得0分的案例71% 相似待验证在完全未被触碰的152题测试子集上，锚定混合检索为42.11%，规划引导方法仅36.84%71% 相似待验证在使用Traework完整模拟产品开发流程的测试中，工具在调研阶段检索了100多个来源，但经人工核验后真正可用的只有约40个，另外60个需要剔除或再查71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1000202API
curl https://kongchang.com/api/v1/knowledge/claims/1000202MCP
get_claim(id=1000202)