待验证50% 置信观点精确时间
当前流行的评估基准GSM8K和MATH与前沿研究级别的数学推理之间存在质的差距
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/8/9
首次发现
有效期至：2026/11/7
来源
相关事实
已验证GSM8K是小学数学推理基准，HumanEval是代码生成基准，HellaSwag是常识推理基准75% 相似待验证过程奖励模型（PRM）在GSM8K等数学推理基准测试中显著提升了模型的推理准确率70% 相似待验证在代码语料比例更高的混合数据集上训练的模型，在数学推理基准（如MATH、GSM8K）上的表现显著优于纯自然语言训练的同规模模型，这一结论获斯坦福大学和MIT的多项研究证实69% 相似待验证2022年Wei等人的论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》证明在few-shot示例中加入推理步骤可将PaLM 540B在GSM8K上的准确率从17.9%提升至58.1%68% 相似已验证2022年Google Brain的Jason Wei等人发表的思维链（Chain-of-Thought）提示论文首次系统证明加入逐步推理示例能使PaLM等大模型在数学推理任务上准确率大幅提升66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/713772API
curl https://kongchang.com/api/v1/knowledge/claims/713772MCP
get_claim(id=713772)