待验证50% 置信观点精确时间
GPT-4o、o1、o3 系列在特定基准测试（如 MATH、HumanEval、MMLU）上持续刷新纪录，但许多开发者日常使用中难以感知同等幅度的提升
1
来源数
50%
置信度
长期有效
时效性
2026/9/22
首次发现
来源
涉及实体
相关事实
待验证GPT-5、Grok 4等模型在基准测试（如HumanEval、SWE-bench）上表现优异，但这些测试通常是单次代码生成，与需要多轮工具调用的真实工程任务存在显著差距74% 相似已验证学术界多项研究表明GPT-4、LLaMA等主流模型在MMLU、HumanEval、GSM8K等榜单上的高分有相当比例来自训练集与测试集内容重叠74% 相似待验证从GPT-3.5到GPT-4、GPT-4o、o1、o3系列，每一代模型在推理、代码生成、多模态理解等维度均有显著进步，发布周期从年缩短至季度甚至月度73% 相似待验证GPT-5在HumanEval、SWE-bench等主流编程基准测试上相比前代模型表现大幅提升73% 相似待验证智谱AI的GLM系列（尤其是CodeGeeX专项编码分支）已在HumanEval、MBPP等主流代码基准测试上达到接近GPT-4o的水平72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/941854API
curl https://kongchang.com/api/v1/knowledge/claims/941854MCP
get_claim(id=941854)