待验证50% 置信事实精确时间
当主流模型在 GSM8K 上的准确率逼近 95% 以上时，该基准便失去了区分度。
1
来源数
50%
置信度
长期有效
时效性
2026/10/29
首次发现
来源
涉及实体
相关事实
待验证2023年多项研究揭示部分模型在GSM8K数学基准上的真实能力与其公布分数存在显著落差77% 相似待验证研究表明，即使在 GSM8K 或 MATH 数据集上接近满分的模型，面对稍作变形或需要跨领域组合的问题时性能下降可达30-50个百分点75% 相似待验证自洽性在GSM8K等数学推理基准上能带来5-20个百分点的提升74% 相似待验证在 DeepSeek 真实 LLM 上，研究者在 GSM8K、MATH 和 BBH 三个基准上各取 50 个样本进行评测，GraphEvoResearcher 分别达到 98%、92% 和 82% 的准确率，在所有基线中最高。73% 相似待验证在GSM8K小学数学应用题基准上，前沿模型的准确率已超过90%73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1110820API
curl https://kongchang.com/api/v1/knowledge/claims/1110820MCP
get_claim(id=1110820)