Trang chủ › Các benchmark › HumanEval & GSM8K
HumanEval & GSM8K
Benchmark
Năng lực
The retired classics of coding and grade-school math.
Bạn đang xem hồ sơ benchmark: một bài kiểm thử mà ngành công nghiệp sử dụng để đo hiệu năng chip hoặc mô hình — và những gì nó thực sự cho biết.
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.
Kết nối của mục này với phần còn lại của hệ thống
Các liên kết của hồ sơ này trong nháy mắt — nhấp vào một nhóm để chuyển đến nhóm đó.
Liên quan
Nguồn
Hồ sơ được xem xét tính đến 2026-01-15 — xem Phương pháp luận.