待验证50% 置信事实精确时间

主流基准测试如MMLU、HumanEval、SWE-bench通常仅覆盖数千至数万个标准化问题，存在场景覆盖有限和训练数据污染的潜在风险

1

来源数

50%

置信度

长期有效

时效性

2026/7/19

首次发现

来源

GPT-5.6深度实测：编程与前端能力实现质变级提升

相关事实

待验证官方基准测试如MMLU、HumanEval存在测试集泄露和针对性优化的风险81% 相似待验证当前AI模型评测主要依赖标准化基准测试（如MMLU、HumanEval、GSM8K等），但存在数据污染风险和与实际应用脱节的问题74% 相似待验证标准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）72% 相似待验证当前主流基准测试体系如HumanEval、MBPP等代码评估集往往关注平均性能，对分布式的场景特定退化现象敏感度不足71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/558192

API

curl https://kongchang.com/api/v1/knowledge/claims/558192

MCP

get_claim(id=558192)