待验证50% 置信事实精确时间
评估集由固定的 5,112 条样本组成,混合了 ARC-Challenge、ANLI-R3,以及 MMLU-Pro 和 CMMLU 的分层子集。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/4
首次发现
有效期至:2027/2/2
来源
涉及实体
相关事实
已验证标准AI基准测试包括MMLU(涵盖57个学科的综合知识测试)、GPQA(研究生级别专业问答)、SWE-bench(真实软件工程任务)、HumanEval和MBPP(编程能力)、MATH和GSM8K(数学推理)69% 相似待验证研究覆盖了ARC、GSM8K、HellaSwag、MMLU四大基准测试68% 相似已验证MMLU、HumanEval、MT-Bench是AI社区广泛认可的标准化基准测试集64% 相似已验证主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等63% 相似待验证BTZSC基准在22个数据集上评估了数十种零样本分类器,覆盖NLI模型、嵌入模型和重排序器,相关论文发表于ICLR 202663% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1134092API
curl https://kongchang.com/api/v1/knowledge/claims/1134092MCP
get_claim(id=1134092)