已验证65% 置信事实时间未知
MMLU、HumanEval、MT-Bench是AI社区广泛认可的标准化基准测试集
3
来源数
65%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
AI静默发布现象解析：为什么顶尖技术选择低调面世
twitterlevelsio
涉及实体
相关事实
待验证常用综合评估框架包括MMLU、HumanEval、MT-Bench以及HELM，各自侧重不同能力维度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、GPQA78% 相似待验证评估本地模型是否适合需求可参考 MMLU、HumanEval 等标准化基准测试分数76% 相似已验证标准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）75% 相似已验证主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/6324API
curl https://kongchang.com/api/v1/knowledge/claims/6324MCP
get_claim(id=6324)