待验证50% 置信事实精确时间
MMLU、HumanEval等主流评测框架主要衡量模型在特定任务上的表现，并不直接回答系统是否安全或是否存在欺骗性行为等核心安全问题
1
来源数
50%
置信度
长期有效
时效性
2026/9/19
首次发现
来源
涉及实体
相关事实
待验证真正的LLM安全研究通常会公开完整方法论、可复现的评测基准以及明确的伦理边界，而非诱导不知情用户将未知内容输入AI管道73% 相似已验证主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等72% 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% 相似待验证通用基准如MMLU、GPQA、HumanEval的测试形式通常是单轮问答或独立任务，无法反映复杂工作流中的持续推理和工具协调能力70% 相似待验证当前主流基准测试体系如HumanEval、MBPP等代码评估集往往关注平均性能，对分布式的场景特定退化现象敏感度不足70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/935612API
curl https://kongchang.com/api/v1/knowledge/claims/935612MCP
get_claim(id=935612)