待验证50% 置信事实精确时间

不同的system prompt、temperature、最大token数、重试次数等超参数可能使同一模型的评测结果相差10个百分点以上

1

来源数

50%

置信度

长期有效

时效性

2026/8/11

首次发现

来源

DeepSeek V4 Flash Terminal-Bench 2.1得分82.7%意味着什么

相关事实

待验证相同提示词在不同模型、不同参数（如temperature）下可能产生截然不同的结果，业界尚无公认的Prompt质量评估标准75% 相似待验证温度值越高，模型输出概率分布越平滑，随机性越强；Top-p采样只从累积概率达到阈值的最小token集合中采样74% 相似待验证研究表明即便是同一模型，不同提示设计之间的性能差距可以超过10个百分点72% 相似部分验证研究表明，同一模型在不同提示词下的输出质量可能相差数倍72% 相似待验证不同模型在基准测试上的性能差异往往远小于同一模型在不同任务类型、不同输入格式下的行为差异71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/732403

API

curl https://kongchang.com/api/v1/knowledge/claims/732403

MCP

get_claim(id=732403)