待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/7/11
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77% 相似待验证主流 LLM 能力评测体系包括 MMLU、HumanEval、GSM8K 等标准化基准73% 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71% 相似待验证标准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）70% 相似已验证评估编程大模型的主流基准包括HumanEval、MBPP、SWE-bench和LiveCodeBench69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/486397API
curl https://kongchang.com/api/v1/knowledge/claims/486397MCP
get_claim(id=486397)