待验证50% 置信事实精确时间
研究覆盖了ARC、GSM8K、HellaSwag、MMLU四大基准测试
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
待验证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）79% 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）76% 相似已验证泛化能力的取舍需要通过MMLU、GSM8K、HumanEval等跨领域测试集系统验证76% 相似待验证本次评估框架包含 ARC-AGI-V2、SWE-Bench、Terminal Bench 2.0、GPQA 和 MMLU 五项基准测试75% 相似待验证当前AI模型评测主要依赖标准化基准测试（如MMLU、HumanEval、GSM8K等），但存在数据污染风险和与实际应用脱节的问题69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/900508API
curl https://kongchang.com/api/v1/knowledge/claims/900508MCP
get_claim(id=900508)