已验证65% 置信事实精确时间

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

3

来源数

65%

置信度

长期有效

时效性

2026/7/9

首次发现

来源

大模型跑分榜单的真相：实战能力才是真正护城河

bilibili卢菁博士_北大AI博士后2026/7/7

相关事实

待验证GPT 系列、Llama 等模型的核心能力绝大部分来自预训练而非后续微调阶段77% 相似待验证GPT-4o、o1、o3 系列在特定基准测试（如 MATH、HumanEval、MMLU）上持续刷新纪录，但许多开发者日常使用中难以感知同等幅度的提升74% 相似待验证训练阶段化方法包括GPT-4等模型采用的渐进式sequence length增长、Chinchilla论文启发的动态batch size调度、μP参数化的分层学习率缩放73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/355048

API

curl https://kongchang.com/api/v1/knowledge/claims/355048

MCP

get_claim(id=355048)