待验证70% 置信事实精确时间

MMLU（大规模多任务语言理解）和HumanEval是代表性的通用基准，分别用于常识推理和代码生成评测

2

来源数

70%

置信度

长期有效

时效性

2026/9/24

首次发现

来源

Fireworks推出SII专业智能指数：面向真实工作的行业基准

涉及实体

MMLUconcept HumanEvalconcept

相关事实

已验证MMLU评估模型在57个学科领域的知识广度，HumanEval测量代码生成正确率，GSM8K考察数学推理，HELM构建综合多维评估框架79% 相似已验证MMLU涵盖57个学科领域的57000余道选择题，HumanEval专注于代码生成的函数级正确性验证76% 相似待验证评估大模型代码能力常用HumanEval和SWE-bench，综合推理常用MMLU和GPQA，指令遵循常用IFEval75% 相似已验证MMLU、HumanEval、MT-Bench是AI社区广泛认可的标准化基准测试集73% 相似待验证现有通用评测基准如MMLU、HellaSwag主要考察知识覆盖与逻辑推理73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/946844

API

curl https://kongchang.com/api/v1/knowledge/claims/946844

MCP

get_claim(id=946844)