待验证50% 置信事实精确时间
MMLU（大规模多任务语言理解）和HumanEval是代表性的通用基准，分别用于常识推理和代码生成评测
1
来源数
50%
置信度
长期有效
时效性
2026/9/24
首次发现
来源
涉及实体
相关事实
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79% 相似已验证MMLU涵盖57个学科领域的57000余道选择题，HumanEval专注于代码生成的函数级正确性验证76% 相似待验证MMLU、HumanEval、MT-Bench是AI社区广泛认可的标准化基准测试集73% 相似待验证现有通用评测基准如MMLU、HellaSwag主要考察知识覆盖与逻辑推理73% 相似待验证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72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/946844API
curl https://kongchang.com/api/v1/knowledge/claims/946844MCP
get_claim(id=946844)