待验证50% 置信事实精确时间

论文明确承认 Terminal-Bench 试点不支持优越性结论，因为可靠性层没有换来更好的成功率反而成本更高

1

来源数

50%

置信度

长期有效

时效性

2026/10/2

首次发现

来源

Praxa：让AI智能体执行从提议到验证可追溯的治理框架

涉及实体

Praxaproduct Terminal-Benchproduct

相关事实

待验证跨代比较对齐质量的基准测试本身不能随模型迭代而漂移，否则�success衰减将无法被检测到66% 相似待验证单纯的成功率（success rate）无法捕捉一致性、无法反映拒绝错误行动的表现、也无法衡量失败后果严重程度64% 相似待验证孤立任务评估无法捕捉跨步骤的错误级联效应，即便各子任务得分较高也不能保证端到端流程的可靠性64% 相似待验证研究者强调该结论是特定配置下的结果，并不能证明运行时代理在其他设计下无法成功64% 相似待验证论文作者强调这些结果是受控条件下的安全性和系统成本结果，而非普遍的任务准确率提升64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/966704

API

curl https://kongchang.com/api/v1/knowledge/claims/966704

MCP

get_claim(id=966704)