待验证50% 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

1

来源数

50%

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MMLU、HumanEval、MATH等基准测试用于量化模型能力差异75% 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75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/500912

API

curl https://kongchang.com/api/v1/knowledge/claims/500912

MCP

get_claim(id=500912)