Unverified50% confidenceFactTime unknown
本次评估框架包含 ARC-AGI-V2、SWE-Bench、Terminal Bench 2.0、GPQA 和 MMLU 五项基准测试
1
Sources
50%
Confidence
Medium-term (~90 days)
Relevance
7/2/2026
First Seen
Valid until: 9/30/2026
Sources
Claude 4.5 vs Gemini 3 Pro: A Comprehensive Coding Showdown
bilibiliClaudeEvangelist
Related Claims
Unverified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% similarUnverified官方给出了针对Terminal Bench 2.1、SWE Bench Verified/Pro以及CLAW Eval等多个基准的评测数据69% similarUnverifiedAISI的评估采用多层次测试框架，参照CVE数据库中的真实案例，同时设计全新挑战场景测试模型泛化能力68% similarUnverified当前评估AGI推理能力更受关注的基准包括ARC（抽象推理语料库）和BIG-Bench Hard66% similarVerified主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等65% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/55589API
curl https://kongchang.com/api/v1/knowledge/claims/55589MCP
get_claim(id=55589)