Unverified90% confidenceFactTime unknown
MMLU、HumanEval、MT-Bench是AI社区广泛认可的标准化基准测试集
1
Sources
90%
Confidence
Long-term
Relevance
5/31/2026
First Seen
Sources
AI静默发布现象解析：为什么顶尖技术选择低调面世
twitterlevelsio
Related Entities
Related Claims
VerifiedAI领域模型能力的可信评估依赖标准化基准测试，常见评测集包括MMLU、HumanEval、MATH、GPQA78% similarUnverifiedHumanEval、MBPP、SWE-bench是AI编程评测领域的行业标准基准测试76% similarUnverified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）75% similarVerified主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等75% similarUnverified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73% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/6324API
curl https://kongchang.com/api/v1/knowledge/claims/6324MCP
get_claim(id=6324)