待验证50% 置信事实精确时间
Benchmark 是机器学习领域常用的标准化评测集与指标，如 MMLU（多学科知识）、HumanEval（代码生成）、GSM8K（数学推理）等。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
涉及实体
相关事实
已验证Benchmark（基准评测）是用一套固定题目给模型打分做横向对比，类似模拟考，用于给模型排名72% 相似待验证BEIR Benchmark是一套跨领域的检索评估基准，包含多个数据集和标准指标（nDCG、Recall），是系统对比检索策略的首选。72% 相似待验证MMEB（Massive Multimodal Embedding Benchmark）是用于评估通用多模态嵌入模型的统一基准，覆盖分类、检索、视觉问答、定位等多种任务与众多数据集，强调在相同数据与训练条件下横向比较不同策略。71% 相似待验证传统benchmark如MMLU、GSM8K测试的是模型在孤立任务上的表现71% 相似待验证AI benchmark 是固定测试加共享评分方法，如 MMLU 测知识、HumanEval 测代码，但排行榜领先的模型仍可能在特定数据、格式和边界情况上失败，且 benchmark 题目可能泄漏进训练数据抬高分数。70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1071730API
curl https://kongchang.com/api/v1/knowledge/claims/1071730MCP
get_claim(id=1071730)