待验证50% 置信决策规则精确时间

可信的压缩方案评测应同时包含MMLU、HumanEval、GSM8K等覆盖不同能力维度的基准，并在相同推理配置下与原始模型严格对比

1

来源数

50%

置信度

长期有效

时效性

2026/9/17

首次发现

来源

Bonsai 2 27B：9倍压缩下的近无损模型探索

涉及实体

MMLUconcept HumanEvalconcept GSM8Kconcept

相关事实

待验证标准化基准（如MMLU、HumanEval、GSM8K）任务边界清晰、上下文适中，与真实工程调试场景存在分布偏移74% 相似已验证主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等73% 相似待验证主流 LLM 能力评测体系包括 MMLU、HumanEval、GSM8K 等标准化基准73% 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

引用此条事实

Stable URI

https://kongchang.com/claim/930403

API

curl https://kongchang.com/api/v1/knowledge/claims/930403

MCP

get_claim(id=930403)