待验证50% 置信事实精确时间
常用综合评估框架包括MMLU、HumanEval、MT-Bench以及HELM，各自侧重不同能力维度
1
来源数
50%
置信度
长期有效
时效性
2026/9/15
首次发现
来源
涉及实体
相关事实
待验证MMLU、HumanEval、MT-Bench是AI社区广泛认可的标准化基准测试集79% 相似已验证主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等78% 相似待验证评估模型实际性能需参考独立基准测试结果，如 MMLU、HumanEval、MT-Bench 等75% 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71% 相似待验证HumanEval、SWE-bench等代码评测基准的排名是评估执行型Agent底层模型选型的重要参考维度70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/922704API
curl https://kongchang.com/api/v1/knowledge/claims/922704MCP
get_claim(id=922704)