待验证50% 置信事实精确时间
GSM8K是小学数学推理测试基准
1
来源数
50%
置信度
长期有效
时效性
2026/9/8
首次发现
来源
涉及实体
相关事实
待验证评估大语言模型推理可靠性的系统化基准测试包括GSM8K、MATH竞赛题集和BIG-Bench Hard67% 相似待验证AI模型基准测试通常在MMLU、HumanEval、GSM8K等标准数据集上评估模型的推理、编码和数学能力61% 相似待验证主流AI基准测试如MMLU、HumanEval、GSM8K主要评估知识问答、代码生成和数学推理能力，尚无成熟框架能评估模型在情感真实性上的表现57% 相似待验证作者对8种分类器进行了基准测试，包括逻辑回归、随机森林、XGBoost、LightGBM等56% 相似已验证MMLU评估模型在57个学科领域的知识广度，HumanEval测量代码生成正确率，GSM8K考察数学推理，HELM构建综合多维评估框架55% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/874510API
curl https://kongchang.com/api/v1/knowledge/claims/874510MCP
get_claim(id=874510)