Unverified50% confidenceSolutionExact time
能力边界评估应采用多维度测试，包括标准基准测试（MMLU、HumanEval、MATH）、对抗性测试、长上下文能力验证、多轮对话一致性检验
1
Sources
50%
Confidence
Long-term
Relevance
8/4/2026
First Seen
Sources
Related Claims
Partially Verified传统测试用例编写需要覆盖边界值分析、等价类划分、异常流程等测试设计方法74% similarVerified软件测试按研发阶段可分为四个层次：单元测试、集成测试、系统测试和验收测试71% similarUnverified编程能力的评估通常参考HumanEval、MBPP、SWE-bench等标准化基准测试，但实际工程场景表现与基准测试结果存在差异70% 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）69% similarUnverified红队测试涵盖越狱测试、危险能力探测和对抗性输入测试等多个层面，源自军事术语68% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/685515API
curl https://kongchang.com/api/v1/knowledge/claims/685515MCP
get_claim(id=685515)