已验证80% 置信事实时间未知
在MMLU、HumanEval、GSM8K等主流评测中，头部大模型的得分差距往往只有几个百分点
4
来源数
80%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
DeepSeek V4 Pro优惠期延长至2026年5月：开发者成本利好全解读
twitterdeepseek_ai
涉及实体
相关事实
待验证学术界已有多项研究表明，在MMLU、HumanEval等主流基准上得分领先的模型，在同等难度的新颖题目上往往表现大幅下滑77% 相似待验证中间层模型在MMLU、HumanEval等基准上通常能达到旗舰模型80%以上的得分，却只需不到30%的推理成本75% 相似待验证多个前沿模型在MMLU上的得分差距已缩小到百分之一的量级，推动了MMLU-Pro和ARC-AGI等更高难度基准的出现72% 相似待验证斯坦福大学HAI研究所2024年度AI指数报告显示，顶级闭源模型在MMLU基准上的最高分与第五名之间的差距，已从2022年的约8个百分点收窄至不足2个百分点72% 相似待验证测试者认为在该规模数据集上只有约5%以上的差异才具备统计意义，而实际差距不足4%，尚未达到显著水平71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/27923API
curl https://kongchang.com/api/v1/knowledge/claims/27923MCP
get_claim(id=27923)