待验证50% 置信事实精确时间
知识保留通常通过MMLU、GSM8K、HumanEval等标准基准测试来量化，但目前学术界和工程社区对推理效率的评估尚无标准化框架
1
来源数
50%
置信度
长期有效
时效性
2026/9/30
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76% 相似待验证主流AI基准测试如MMLU、HumanEval、GSM8K主要评估知识问答、代码生成和数学推理能力，尚无成熟框架能评估模型在情感真实性上的表现74% 相似待验证主流 LLM 能力评测体系包括 MMLU、HumanEval、GSM8K 等标准化基准72% 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）70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/961537API
curl https://kongchang.com/api/v1/knowledge/claims/961537MCP
get_claim(id=961537)