公开核心集能揭示最终答案背后的不稳定标准，但只覆盖一种公平定义。
建议动作一天内用 50K 核心集比较两个候选模型的正确率与成对切换差异。
判断复核于 2026-10-21 · 依据：Ai2 发布 FairStress 测试 LLM 决策中的隐性不对称