已验证90% 置信事实精确时间
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
7
来源数
90%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
已验证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80% 相似待验证MMLU（大规模多任务语言理解）和HumanEval是代表性的通用基准，分别用于常识推理和代码生成评测79% 相似已验证主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等79% 相似已验证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78% 相似待验证主流基准测试如MMLU、HumanEval、GSM8K设计之初主要面向学术比较，侧重测量模型在封闭题目上的准确率78% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/515969API
curl https://kongchang.com/api/v1/knowledge/claims/515969MCP
get_claim(id=515969)