待验证50% 置信事实精确时间

MMLU、GPQA、SWE-bench是当前AI社区广泛认可的模型评估基准

1

来源数

50%

置信度

长期有效

时效性

2026/9/16

首次发现

来源

警惕"GPT-6 Astra免费使用"骗局：这类视频的套路与风险

涉及实体

MMLUconcept GPQAconcept SWE-benchconcept

相关事实

待验证AI领域常见评测集包括MMLU、HumanEval、MATH、GPQA，均有公开标准题库和评分方法可独立复现74% 相似待验证AI模型能力评估长期依赖MMLU、HumanEval、GSM8K等标准化基准集73% 相似待验证MMLU、HumanEval、GSM8K等评测榜单曾是AI模型竞争与公众注意力的焦点72% 相似待验证业界常用的AI评测基准包括MMLU、HumanEval、GSM8K等，每个基准只能衡量特定维度的能力69% 相似待验证MLflow、LangSmith、Weights & Biases、Arize等平台都在解决让AI系统健康状态可观测、可追溯、可复现的问题68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/927475

API

curl https://kongchang.com/api/v1/knowledge/claims/927475

MCP

get_claim(id=927475)