待验证50% 置信事实精确时间
MMLU、GSM8K、HumanEval、C-Eval是常见的大模型基准测试集合，分别侧重多学科知识、小学数学推理、代码生成和中文综合能力。
1
来源数
50%
置信度
长期有效
时效性
2026/10/25
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76% 相似待验证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。73% 相似待验证过去几年大模型能力评估多集中在MMLU、GSM8K、HumanEval等学术型基准上73% 相似已验证MMLU（Massive Multitask Language Understanding）包含57个学科的选择题，用于测试模型的知识广度72% 相似待验证传统基准如MMLU、GSM8K侧重语言与数学，而物理直觉测试要求模型预测物体在受力、碰撞、堆叠后的状态71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1097612API
curl https://kongchang.com/api/v1/knowledge/claims/1097612MCP
get_claim(id=1097612)