Unverified50% confidenceFactExact time
主流 LLM 能力评测体系包括 MMLU、HumanEval、GSM8K 等标准化基准
1
Sources
50%
Confidence
Long-term
Relevance
7/10/2026
First Seen
Sources
实测：GPT-5.4 mini解决国产模型搞不定的崩溃Bug
bilibili库洛米大人的大人6/25/2026
Related Claims
Unverified泛化能力的取舍需要通过MMLU、GSM8K、HumanEval等跨领域测试集系统验证82% similarVerified主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等80% similarVerifiedMMLU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77% similarUnverified标准化基准（如MMLU、HumanEval、GSM8K）任务边界清晰、上下文适中，与真实工程调试场景存在分布偏移73% similarUnverifiedMMLU、HumanEval、MT-Bench是AI社区广泛认可的标准化基准测试集69% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/465666API
curl https://kongchang.com/api/v1/knowledge/claims/465666MCP
get_claim(id=465666)