待验证50% 置信事实精确时间

当前主流评测基准如MMLU、TruthfulQA、HarmBench大多针对单一维度设计，缺乏对价值观交互效应的系统性测量

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/17

首次发现

有效期至：2026/12/16

来源

价值观诱导如何重塑大语言模型行为

涉及实体

MMLUproduct TruthfulQAproduct HarmBenchproduct

相关事实

待验证主流评测体系包括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）68% 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67% 相似待验证LLM评审员与人类专家的评估一致性呈现'有价值但强烈依赖指标'的特征，在某些维度吻合而另一些维度一致性明显减弱65% 相似待验证真正被业界认可的模型排名必须经得起他人用相同方法复现，厂商内部评测因缺乏透明度易出现测试集污染或挑题展示问题63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/928029

API

curl https://kongchang.com/api/v1/knowledge/claims/928029

MCP

get_claim(id=928029)