评测集
MMLU
覆盖 57 个学科的多选题,是模型知识广度的常用基线。
- 规模
- 约 1.4 万道测试题 / 57 学科
- 许可
- MIT
- 获取
- 直接下载
题目公开已久,污染风险高;分数高不等于会做实际任务。
看数据卡 →Models · Data · Evaluation sets
用来量分数的题集;注意污染与版本,不要混进训练。 这一页收 3 张卡;点进单卡看许可、规模、任务适配与使用边界。
覆盖 57 个学科的多选题,是模型知识广度的常用基线。
题目公开已久,污染风险高;分数高不等于会做实际任务。
看数据卡 →题目短、答案唯一,适合观察多步算术与推理链是否稳定。
难度集中在小学范围;高分不代表能处理真实业务里的表格与多约束问题。
看数据卡 →函数级代码生成基准,用单元测试判分,口径清楚。
题量小,单一语言;分数波动大,不能单独代表代码能力。
看数据卡 →