待验证50% 置信事实精确时间
主流基准测试如MMLU、HumanEval、GSM8K设计之初主要面向学术比较，侧重测量模型在封闭题目上的准确率
1
来源数
50%
置信度
长期有效
时效性
2026/10/11
首次发现
来源
涉及实体
相关事实
待验证评估模型实际性能需参考独立基准测试结果，如 MMLU、HumanEval、MT-Bench 等78% 相似已验证标准AI基准测试包括MMLU（涵盖57个学科的综合知识测试）、GPQA（研究生级别专业问答）、SWE-bench（真实软件工程任务）、HumanEval和MBPP（编程能力）、MATH和GSM8K（数学推理）78% 相似已验证MMLU评估模型在57个学科领域的知识广度，HumanEval测量代码生成正确率，GSM8K考察数学推理，HELM构建综合多维评估框架78% 相似待验证公开基准测试（如MMLU、HumanEval、HellaSwag）衡量的是模型在标准化题目上的表现，与具体业务场景往往存在巨大差距77% 相似待验证业界常用的基准测试还包括GSM8K（数学推理）、GPQA（研究生级别问答）、ARC（科学推理）77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1000351API
curl https://kongchang.com/api/v1/knowledge/claims/1000351MCP
get_claim(id=1000351)