待验证50% 置信事实精确时间

METR于2026年2月的更新指出了选择偏差和并行化效应两类测量难题

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/23

首次发现

有效期至：2026/12/22

来源

生产环境AI智能体去留决策：如何衡量价值与管控风险

涉及实体

相关事实

待验证2023年斯坦福的研究指出所谓的涌现能力可能是评估指标选择造成的统计假象64% 相似待验证研究团队指出推理时上下文管理在基准测试中带来的提升幅度超过了大多数已报告的系统间差异62% 相似待验证EvolveTrade在大多数被评估的设定中，在夏普比率和累计收益两项指标上超越固定策略的LLM基线62% 相似待验证自2024年下半年以来，主流大模型在MMLU和HumanEval等标准基准测试上的分数提升明显收窄60% 相似待验证Anthropic在2023年的论文中系统测量了奉承偏差，发现即便在明显错误前提下多数主流模型仍有相当比例的回复选择顺从用户59% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/943362

API

curl https://kongchang.com/api/v1/knowledge/claims/943362

MCP

get_claim(id=943362)