待验证50% 置信事实精确时间

过去几年大模型能力评估多集中在MMLU、GSM8K、HumanEval等学术型基准上

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

GPT-6 Astra进军企业级：Databricks实测刷新三大基准

涉及实体

MMLUconcept GSM8Kconcept HumanEvalconcept

相关事实

待验证前沿模型的认定更多依赖于能力评估基准（如MMLU、HumanEval、MATH）的综合表现，而非单纯参数规模77% 相似待验证智谱GLM被评为国内主流大模型中综合能力最强的第一梯队模型66% 相似待验证实验数据表明frontier级别的LLM展现出显著的行为相关性，且这种相关性随模型能力的提升而增强65% 相似待验证Qwen模型在HumanEval、MBPP等编程基准测试,以及GSM8K等数学推理测试中持续刷新记录,成为开源模型中的性能标杆65% 相似待验证当前流行的评估基准GSM8K和MATH与前沿研究级别的数学推理之间存在质的差距65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/909408

API

curl https://kongchang.com/api/v1/knowledge/claims/909408

MCP

get_claim(id=909408)