待验证50% 置信事实精确时间
常见的推理基准包括 GSM8K（小学数学应用题）、MATH（竞赛级数学题）、StrategyQA（多跳常识推理）等，这些基准要求多步推导且答案可自动验证。
1
来源数
50%
置信度
长期有效
时效性
2026/10/22
首次发现
来源
涉及实体
相关事实
已验证GSM8K是小学数学推理基准，HumanEval是代码生成基准，HellaSwag是常识推理基准80% 相似待验证GSM8K、MATH 和 BBH 是三个常用的推理评测基准，难度梯度明显：GSM8K 为小学数学应用题，MATH 涵盖竞赛级数学题，BBH 包含 23 类需要多步符号操作或策略推理的任务。76% 相似待验证当前流行的评估基准GSM8K和MATH与前沿研究级别的数学推理之间存在质的差距74% 相似待验证确定性回归逻辑的常见实现手段包括使用结构化断言（正则匹配、JSON字段校验）、对多次采样输出取统计均值并设显著性阈值、或使用固定版本的裁判模型（LLM-as-judge）并锁定其prompt与参数73% 相似待验证该证明智能体采用大语言模型与形式化验证器交互的架构：LLM生成证明策略序列，Lean编译器实时验证每一步推理，失败时根据错误信息调整，形成生成-验证-修正的闭环71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1084286API
curl https://kongchang.com/api/v1/knowledge/claims/1084286MCP
get_claim(id=1084286)