待验证50% 置信基准精确时间
表现最好的前沿旗舰模型与专家标签的随机校正一致性Cohen's κ约为0.29，远低于人类上限约0.53。
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/11/3
首次发现
有效期至：2026/11/17
来源
涉及实体
相关事实
待验证在最接近现实的设定中（未言明约束需主动发现），表现最好的模型配置平均FDE-Gym得分仅为0.5674% 相似待验证在示例中，对同一组人类标签（18通过、2失败），懒惰评判者全判通过得到准确率 0.90 但 kappa 为 0.00；更好的评判者准确率 0.95 但 kappa 仅为 0.77，仍未达到 0.80 门槛。70% 相似待验证在四个 Theory-of-Mind 基准上，弱模型的平均成绩从 0.49 提升到 0.91。70% 相似待验证中间层模型在MMLU、HumanEval等基准上通常能达到旗舰模型80%以上的得分，却只需不到30%的推理成本70% 相似待验证工具描述得分与模型正确选择之间的Spearman相关系数仅为0.04，统计上几乎不存在关联。70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1129267API
curl https://kongchang.com/api/v1/knowledge/claims/1129267MCP
get_claim(id=1129267)