待验证70% 置信事实时间未知
Grok 4在MATH、HumanEval、MMLU等权威基准测试中表现突出，尤其在数学推理和代码生成领域与GPT-4o、Claude 3.5等顶级模型形成竞争
1
来源数
70%
置信度
中期 (~90 天)
时效性
2026/6/1
首次发现
有效期至：2026/8/30
来源
Grok 4免费使用教程：国内用户零门槛体验方法
bilibilichatGPT推荐官
涉及实体
相关事实
待验证GPT-5、Grok 4等模型在基准测试（如HumanEval、SWE-bench）上表现优异，但这些测试通常是单次代码生成，与需要多轮工具调用的真实工程任务存在显著差距76% 相似待验证智谱AI的GLM系列（尤其是CodeGeeX专项编码分支）已在HumanEval、MBPP等主流代码基准测试上达到接近GPT-4o的水平74% 相似待验证学术界多项研究表明GPT-4、LLaMA等主流模型在MMLU、HumanEval、GSM8K等榜单上的高分有相当比例来自训练集与测试集内容重叠72% 相似待验证在B站UP主的四轮实测中，DeepSeek-V4在世界知识、上下文记忆和逻辑推理三个环节的交付质量上优于GPT-5.571% 相似待验证Grok 4于2025年中期发布，在多项基准测试中达到与GPT-4o和Claude Opus竞争的水平71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/16384API
curl https://kongchang.com/api/v1/knowledge/claims/16384MCP
get_claim(id=16384)