待验证50% 置信观点精确时间

大模型评估应超越选择题范式，仅测试选对答案不足以衡量真实的事实理解，必须引入拒绝错误的对抗性评估

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

SWORD基准揭示大模型跨语言事实核查的隐藏漏洞

涉及实体

相关事实

已验证跑分榜单衡量的是模型考试能力而非解决真实问题的能力77% 相似待验证大模型倾向于用通用推理来解决问题，而缺乏对领域特定规则的严格遵守和自我验证能力76% 相似待验证设计判断力这类偏主观的能力很难通过统一基准测试量化73% 相似待验证研究观察到解答的正确性与推理轨迹的有效性之间存在明显的不相关性，模型经常在推理轨迹完全无效的情况下依然得出正确答案71% 相似待验证严谨的第三方评估必须尝试触及模型能力的真实上限而非仅测试默认行为，因为模型表现高度依赖提示词设计，在越狱提示下可能表现出不同的能力边界71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/894733

API

curl https://kongchang.com/api/v1/knowledge/claims/894733

MCP

get_claim(id=894733)