待验证60% 置信事实精确时间
MMLU涵盖57个学科领域的57000余道选择题，HumanEval专注于代码生成的函数级正确性验证
2
来源数
60%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
Rust AI Agent实战：GAIA基准测试揭示大模型能力天花板
bilibili软件工艺师2026/7/10
相关事实
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80% 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）74% 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70% 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66% 相似已验证主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/491952API
curl https://kongchang.com/api/v1/knowledge/claims/491952MCP
get_claim(id=491952)