Inicio › Benchmarks › HumanEval & GSM8K
HumanEval & GSM8K
Benchmark
Capacidad
The retired classics of coding and grade-school math.
Estás viendo un registro de benchmark: una prueba que la industria utiliza para medir chips o modelos, y lo que realmente indica.
HumanEval (164 Python functions) and GSM8K (grade-school word problems) measured the 2021–24 climb from barely-working to near-perfect, then saturated — their history is the cleanest record of how fast base capability moved. Successors: LiveCodeBench, SWE-bench, AIME.
Cómo se conecta con el resto del stack
Los enlaces de esta ficha de un vistazo: haz clic en un grupo para ir directamente a él.
Relacionado
Fuentes
Registro revisado a fecha de 2026-01-15 — ver Metodología.