待验证50% 置信事实精确时间
标准下游benchmark包括MMLU、HellaSwag、ARC、GSM8K等，分别考察知识问答、常识推理、科学推理和数学能力。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/24
首次发现
有效期至：2027/1/22
来源
涉及实体
相关事实
待验证现有通用评测基准如MMLU、HellaSwag主要考察知识覆盖与逻辑推理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）76% 相似待验证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。75% 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75% 相似待验证知识保留通常通过MMLU、GSM8K、HumanEval等标准基准测试来量化，但目前学术界和工程社区对推理效率的评估尚无标准化框架75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1094701API
curl https://kongchang.com/api/v1/knowledge/claims/1094701MCP
get_claim(id=1094701)