待验证50% 置信事实时间未知
本次评估框架包含 ARC-AGI-V2、SWE-Bench、Terminal Bench 2.0、GPQA 和 MMLU 五项基准测试
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
Claude 4.5 vs Gemini 3 Pro: A Comprehensive Coding Showdown
bilibiliClaudeEvangelist
相关事实
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）70% 相似待验证官方给出了针对Terminal Bench 2.1、SWE Bench Verified/Pro以及CLAW Eval等多个基准的评测数据69% 相似待验证AISI的评估采用多层次测试框架，参照CVE数据库中的真实案例，同时设计全新挑战场景测试模型泛化能力68% 相似待验证当前评估AGI推理能力更受关注的基准包括ARC（抽象推理语料库）和BIG-Bench Hard66% 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/55589API
curl https://kongchang.com/api/v1/knowledge/claims/55589MCP
get_claim(id=55589)