待验证50% 置信事实精确时间

主流 LLM 能力评测体系包括 MMLU、HumanEval、GSM8K 等标准化基准

1

来源数

50%

置信度

长期有效

时效性

2026/7/10

首次发现

来源

实测：GPT-5.4 mini解决国产模型搞不定的崩溃Bug

bilibili库洛米大人的大人2026/6/25

相关事实

待验证泛化能力的取舍需要通过MMLU、GSM8K、HumanEval等跨领域测试集系统验证82% 相似已验证主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等80% 相似已验证MMLU评估模型在57个学科领域的知识广度，HumanEval测量代码生成正确率，GSM8K考察数学推理，HELM构建综合多维评估框架77% 相似待验证标准化基准（如MMLU、HumanEval、GSM8K）任务边界清晰、上下文适中，与真实工程调试场景存在分布偏移73% 相似待验证MMLU、HumanEval、MT-Bench是AI社区广泛认可的标准化基准测试集69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/465666

API

curl https://kongchang.com/api/v1/knowledge/claims/465666

MCP

get_claim(id=465666)