已验证70% 置信事实精确时间
主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等
4
来源数
70%
置信度
长期有效
时效性
2026/7/13
首次发现
来源
Grok 4.5实测：速度、准确性与性价比三维评测
redditr/cursor2026/7/12
相关事实
待验证主流 LLM 能力评测体系包括 MMLU、HumanEval、GSM8K 等标准化基准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79% 相似待验证常用综合评估框架包括MMLU、HumanEval、MT-Bench以及HELM，各自侧重不同能力维度78% 相似已验证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、GPQA77% 相似待验证行业普遍依赖MMLU、HumanEval、GPQA、SWE-bench等基准测试衡量模型能力77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/500912API
curl https://kongchang.com/api/v1/knowledge/claims/500912MCP
get_claim(id=500912)