待验证50% 置信事实精确时间

主流评测体系包括MMLU（57个学科知识广度）、HumanEval和MBPP（代码生成）、GSM8K和MATH（数学推理）、MT-Bench和Chatbot Arena（人类偏好投票）

1

来源数

50%

置信度

长期有效

时效性

2026/8/30

首次发现

来源

GLM-5.3开放权重：智谱AI开源策略与开发者生态解读

涉及实体

MMLUconcept HumanEvalconcept GSM8Kconcept Chatbot Arenaconcept

相关事实

待验证目前主流LLM评测基准如MMLU、HumanEval、MT-Bench主要关注知识能力和指令遵循能力，对谄媚行为的系统性评估尚未形成行业标准76% 相似待验证众包式盲测评测被认为比传统学术基准测试（如MMLU、HumanEval）更能反映模型在开放式对话中的综合表现62% 相似待验证LMSYS 的 Chatbot Arena（lmarena.ai）以双盲对比方式让用户在不知道模型身份的情况下评分，排名结果相比商业宣传更具参考价值58% 相似待验证Braintrust、Patronus等偏评测视角的工具关注模型输出的质量评分58% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/824049

API

curl https://kongchang.com/api/v1/knowledge/claims/824049

MCP

get_claim(id=824049)