待验证90% 置信事实时间未知
MMLU、HumanEval、MT-Bench是AI社区广泛认可的标准化基准测试集
1
来源数
90%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
AI静默发布现象解析：为什么顶尖技术选择低调面世
twitterlevelsio
涉及实体
相关事实
已验证AI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% 相似待验证HumanEval、MBPP、SWE-bench是AI编程评测领域的行业标准基准测试76% 相似待验证标准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% 相似已验证主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等75% 相似待验证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% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/6324API
curl https://kongchang.com/api/v1/knowledge/claims/6324MCP
get_claim(id=6324)