待验证50% 置信基准精确时间
常见公开基准如MMLU侧重多学科问答、HumanEval侧重代码生成、MATH侧重数学推理，各自侧重不同维度
1
来源数
50%
置信度
长期有效
时效性
2026/9/29
首次发现
来源
涉及实体
相关事实
待验证MMLU衡量多任务语言理解、HumanEval衡量代码生成、MATH衡量数学推理71% 相似待验证模型不同层级承载信息类型存在差异：浅层编码表层句法与词汇信息，中层出现语义与实体关系，深层涉及任务相关抽象推理66% 相似待验证MMLU、HellaSwag、BIG-Bench等主流大语言模型评测体系主要衡量知识覆盖度、逻辑推理与语言流畅性，其设计假设存在可验证的正确答案65% 相似待验证评估语言模型输出质量的标准基准包括MMLU（多领域知识）、HumanEval/MBPP（代码生成）、MT-Bench和AlpacaEval（指令遵循与对话）、GSM8K和MATH（数学推理）64% 相似待验证题型覆盖度是核心指标：优质逻辑书应涵盖分类归纳、空间推理、数字规律、排序对比、图形推理五大类中至少4类，只练单一题型（如只有找规律）会造成思维偏科64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/957996API
curl https://kongchang.com/api/v1/knowledge/claims/957996MCP
get_claim(id=957996)