待验证50% 置信事实精确时间
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）
1
来源数
50%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
警惕AI虚假营销：「GPT-5.6发布」是骗局吗？
bilibiliGPT推荐官2026/7/2
相关事实
已验证AI领域模型能力的可信评估依赖标准化基准测试，常见评测集包括MMLU、HumanEval、MATH、GPQA80% 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76% 相似待验证主流AI基准测试如MMLU、HumanEval、GSM8K主要评估知识问答、代码生成和数学推理能力，尚无成熟框架能评估模型在情感真实性上的表现76% 相似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76% 相似待验证AI模型基准测试通常在MMLU、HumanEval、GSM8K等标准数据集上评估模型的推理、编码和数学能力75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/489572API
curl https://kongchang.com/api/v1/knowledge/claims/489572MCP
get_claim(id=489572)