待验证50% 置信基准精确时间
评估大语言模型能力常用的基准测试包括 MMLU、HumanEval、MATH 和 GPQA
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
待验证评估大模型代码能力常用HumanEval和SWE-bench，综合推理常用MMLU和GPQA，指令遵循常用IFEval79% 相似已验证标准AI基准测试包括MMLU（涵盖57个学科的综合知识测试）、GPQA（研究生级别专业问答）、SWE-bench（真实软件工程任务）、HumanEval和MBPP（编程能力）、MATH和GSM8K（数学推理）78% 相似待验证评估本地模型是否适合需求可参考 MMLU、HumanEval 等标准化基准测试分数77% 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76% 相似已验证主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/959872API
curl https://kongchang.com/api/v1/knowledge/claims/959872MCP
get_claim(id=959872)