待验证50% 置信基准精确时间

常见公开基准如MMLU侧重多学科问答、HumanEval侧重代码生成、MATH侧重数学推理，各自侧重不同维度

1

来源数

50%

置信度

长期有效

时效性

2026/9/29

首次发现

来源

Sonnet 5.5逼近Opus：Claude模型分层还有意义吗？

涉及实体

MMLUconcept HumanEvalconcept MATHconcept

相关事实

待验证MMLU衡量多任务语言理解、HumanEval衡量代码生成、MATH衡量数学推理71% 相似待验证模型不同层级承载信息类型存在差异：浅层编码表层句法与词汇信息，中层出现语义与实体关系，深层涉及任务相关抽象推理66% 相似待验证MMLU、HellaSwag、BIG-Bench等主流大语言模型评测体系主要衡量知识覆盖度、逻辑推理与语言流畅性，其设计假设存在可验证的正确答案65% 相似待验证评估语言模型输出质量的标准基准包括MMLU（多领域知识）、HumanEval/MBPP（代码生成）、MT-Bench和AlpacaEval（指令遵循与对话）、GSM8K和MATH（数学推理）64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/957996

API

curl https://kongchang.com/api/v1/knowledge/claims/957996

MCP

get_claim(id=957996)