待验证50% 置信权衡取舍精确时间

OS World的82项测试并非在完全相同条件下运行，一半任务沿用原基线分数，投入资源和尝试次数也不同，因此7个百分点提升不能全归功于记忆

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/17

首次发现

有效期至：2026/12/16

来源

AI递归自我改进RSI：距离真正实现还有多远？

涉及实体

OS World 20product RSI Agentproduct

相关事实

待验证在Agency工具调用测试中两款模型均得95分，唯一失败的都是第13号任务（美元到日元外币转换）68% 相似待验证该用户指出这些模型在基准测试中拿到很高分数，却在最简单的任务上频频失败67% 相似待验证OSWorld 2.0中模型评估仅占总得分的11.53%，且没有任何任务的模型评估占比超过50%66% 相似待验证在一个396个文件的大型混合职责项目上测试时，召回率几乎跌到零66% 相似待验证微软研究院调查发现跨iOS/Android双平台维护的测试套件中，每次大版本UI改版平均会导致60%以上的测试用例失效65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/929316

API

curl https://kongchang.com/api/v1/knowledge/claims/929316

MCP

get_claim(id=929316)