待验证60% 置信事实精确时间
评估大语言模型能力的常见基准测试包括MMLU、HumanEval、MATH以及LMSYS Chatbot Arena
2
来源数
60%
置信度
长期有效
时效性
2026/7/23
首次发现
来源
苹果起诉OpenAI内幕：马斯克与奥特曼的公开对决全记录
bilibili探索未至之境2026/7/12
相关事实
待验证大语言模型的这些缺陷在标准化基准测试（如MMLU、GSM8K）中往往被高分掩盖，因为评测集题目固定、格式规范、不涉及真实场景中的歧义与噪声。69% 相似待验证Meta的MMS（Massively Multilingual Speech）项目已覆盖1100多种语言的预训练模型69% 相似待验证EleutherAI的Language Model Evaluation Harness专注于能力基准测试69% 相似待验证LLM应用安全评估中最常见的错误是把聊天机器人当成纯聊天机器人来测试，而实际上它们首先是应用，其次才是语言模型。67% 相似待验证MMLU（Massive Multitask Language Understanding）涵盖57个学科的选择题，用于衡量语言模型的知识广度67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/602501API
curl https://kongchang.com/api/v1/knowledge/claims/602501MCP
get_claim(id=602501)