待验证50% 置信事实精确时间
业界常用的基准测试还包括GSM8K（数学推理）、GPQA（研究生级别问答）、ARC（科学推理）
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
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）77% 相似待验证GSM8K是小学数学推理测试基准73% 相似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 Hard72% 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69% 相似已验证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69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/893499API
curl https://kongchang.com/api/v1/knowledge/claims/893499MCP
get_claim(id=893499)