待验证50% 置信事实时间未知

人类专家在MMMU Pro基准测试上的平均得分约为55%-65%

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/7/2

首次发现

有效期至：2026/9/30

来源

Gemini 3 Flash In-Depth Review: Comprehensive Testing of Coding, Multimodal, and Writing Capabilities

bilibilikate人不错

相关事实

待验证斯坦福HAI研究所2023年报告显示，最新LLM在HumanEval等代码基准测试中正确率已超过85%，远超2021年的不足50%68% 相似待验证2024年的多项研究表明，LLM裁判与人类专家的一致率通常在70%-85%之间66% 相似待验证该系统在50个已验证的CVE样本上实现了85%以上的检测准确率66% 相似待验证人类领域专家在 GPQA 上平均约得 65%65% 相似待验证人类在ARC-AGI测试上的平均得分约为85%，而顶尖AI模型长期徘徊在30%-60%区间63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/49607

API

curl https://kongchang.com/api/v1/knowledge/claims/49607

MCP

get_claim(id=49607)