待验证50% 置信事实精确时间
学术界已有多项研究表明，在MMLU、HumanEval等主流基准上得分领先的模型，在同等难度的新颖题目上往往表现大幅下滑
1
来源数
50%
置信度
长期有效
时效性
2026/9/12
首次发现
来源
涉及实体
相关事实
待验证自2024年下半年以来，主流大模型在MMLU和HumanEval等标准基准测试上的分数提升明显收窄80% 相似待验证模型在标准化评测基准（如HumanEval、MMLU）上的高分表现与真实工作场景中的可靠性之间存在显著差距78% 相似已验证在MMLU、HumanEval、GSM8K等主流评测中，头部大模型的得分差距往往只有几个百分点77% 相似待验证基准污染（Benchmark Contamination）导致HumanEval、MMLU等主流基准区分度下降，部分模型HumanEval得分超过95%、MMLU超过90%但实际能力平庸76% 相似待验证多个前沿模型在MMLU上的得分差距已缩小到百分之一的量级，推动了MMLU-Pro和ARC-AGI等更高难度基准的出现75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/910051API
curl https://kongchang.com/api/v1/knowledge/claims/910051MCP
get_claim(id=910051)