La fonction de score (SF) mesure la plausibilité des triplets dans les graphes de connaissances. Des fonctions de score différentes peuvent entraîner des écarts considérables dans les performances de prédiction de liens sur différents graphes de connaissances. Dans ce rapport, nous décrivons une fonction de score inhabituelle découverte par recherche aléatoire sur le benchmark ouvert de graphes (OGB). Cette fonction, nommée AutoWeird, ne prend en compte que l’entité terminale et la relation d’un triplet pour calculer son score de plausibilité. Les résultats expérimentaux montrent qu’AutoWeird atteint une performance au top-1 sur le jeu de données ogbl-wikikg2, mais présente une performance bien inférieure à celle des autres méthodes sur le jeu de données ogbl-biokg. En analysant la distribution des entités terminales et le protocole d’évaluation de ces deux jeux de données, nous attribuons le succès inattendu d’AutoWeird sur ogbl-wikikg2 à une évaluation inappropriée et à une distribution concentrée des entités terminales. Ces résultats pourraient motiver des recherches ultérieures sur la manière d’évaluer précisément les performances des différentes méthodes de prédiction de liens dans les graphes de connaissances.