已验证75% 置信事实精确时间
基准测试(benchmark)是用标准化任务和评分方式衡量模型能力的方法,常见公开基准如 MMLU、HumanEval 等。
3
来源数
75%
置信度
长期有效
时效性
2026/11/2
首次发现
来源
涉及实体
相关事实
待验证公开基准测试(如MMLU、HumanEval、HellaSwag)衡量的是模型在标准化题目上的表现,与具体业务场景往往存在巨大差距79% 相似已验证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。78% 相似已验证主流基准测试如MMLU、HumanEval、GSM8K设计之初主要面向学术比较,侧重测量模型在封闭题目上的准确率76% 相似待验证评估模型实际性能需参考独立基准测试结果,如 MMLU、HumanEval、MT-Bench 等75% 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75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1126262API
curl https://kongchang.com/api/v1/knowledge/claims/1126262MCP
get_claim(id=1126262)