⚡ 大语言模型ID: benchmarks

评测基准 MMLU/GSM8K

Q: MMLU、GSM8K、HumanEval、IFEval 各自测什么能力?为什么用 5-shot 而非 zero-shot?

【评测基准 MMLU/GSM8K 核心考点 1】MMLU、GSM8K、HumanEval、IFEval 各自测什么能力?为什么用 5-shot 而非 zero-shot?。技术解析：定义: 四大代表性基准覆盖不同能力维度:(1) MMLU——57 个学科多项选择题,5-shot CoT 测世界知识与推理广度;(2) GSM8K——8000 道小学数学应用题,必须逐步推理(CoT 收益最大),测算术与多步推理;(3) HumanEval——164 道手写 Python 函数补全题,用 pass@k 度量代码生成:\text{pass}@k = 1 - \binom{n-c}{k} / \binom{n}{k}(n 个采样中 c 个通过);(4) IFEval——可验证的指令遵循(格式、长度、关键字约束),测指令跟随而不是答对题目。 ... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/benchmarks

Q: pass@k 公式如何推导?n 个采样中 c 个通过时 pass@k 为什么用组合数表示?

【评测基准 MMLU/GSM8K 核心考点 2】pass@k 公式如何推导?n 个采样中 c 个通过时 pass@k 为什么用组合数表示?。技术解析：定义: 四大代表性基准覆盖不同能力维度:(1) MMLU——57 个学科多项选择题,5-shot CoT 测世界知识与推理广度;(2) GSM8K——8000 道小学数学应用题,必须逐步推理(CoT 收益最大),测算术与多步推理;(3) HumanEval——164 道手写 Python 函数补全题,用 pass@k 度量代码生成:\text{pass}@k = 1 - \binom{n-c}{k} / \binom{n}{k}(n 个采样中 c 个通过);(4) IFEval——可验证的指令遵循(格式、长度、关键字约束),测指令跟随而不是答对题目。 ... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/benchmarks

Q: 基准饱和的表现与成因是什么?有哪些应对(更难变体、动态评测、防泄漏)?

【评测基准 MMLU/GSM8K 核心考点 3】基准饱和的表现与成因是什么?有哪些应对(更难变体、动态评测、防泄漏)?。技术解析：定义: 四大代表性基准覆盖不同能力维度:(1) MMLU——57 个学科多项选择题,5-shot CoT 测世界知识与推理广度;(2) GSM8K——8000 道小学数学应用题,必须逐步推理(CoT 收益最大),测算术与多步推理;(3) HumanEval——164 道手写 Python 函数补全题,用 pass@k 度量代码生成:\text{pass}@k = 1 - \binom{n-c}{k} / \binom{n}{k}(n 个采样中 c 个通过);(4) IFEval——可验证的指令遵循(格式、长度、关键字约束),测指令跟随而不是答对题目。 ... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/benchmarks

Q: 数据污染如何检测与规避?去重、公开时间线、held-out 集分别怎么做?

【评测基准 MMLU/GSM8K 核心考点 4】数据污染如何检测与规避?去重、公开时间线、held-out 集分别怎么做?。技术解析：定义: 四大代表性基准覆盖不同能力维度:(1) MMLU——57 个学科多项选择题,5-shot CoT 测世界知识与推理广度;(2) GSM8K——8000 道小学数学应用题,必须逐步推理(CoT 收益最大),测算术与多步推理;(3) HumanEval——164 道手写 Python 函数补全题,用 pass@k 度量代码生成:\text{pass}@k = 1 - \binom{n-c}{k} / \binom{n}{k}(n 个采样中 c 个通过);(4) IFEval——可验证的指令遵循(格式、长度、关键字约束),测指令跟随而不是答对题目。 ... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/benchmarks

Q: GSM8K 上 CoT 收益大但简单换行也有效——说明什么?评测时如何控制提示敏感性?

【评测基准 MMLU/GSM8K 核心考点 5】GSM8K 上 CoT 收益大但简单换行也有效——说明什么?评测时如何控制提示敏感性?。技术解析：定义: 四大代表性基准覆盖不同能力维度:(1) MMLU——57 个学科多项选择题,5-shot CoT 测世界知识与推理广度;(2) GSM8K——8000 道小学数学应用题,必须逐步推理(CoT 收益最大),测算术与多步推理;(3) HumanEval——164 道手写 Python 函数补全题,用 pass@k 度量代码生成:\text{pass}@k = 1 - \binom{n-c}{k} / \binom{n}{k}(n 个采样中 c 个通过);(4) IFEval——可验证的指令遵循(格式、长度、关键字约束),测指令跟随而不是答对题目。 ... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/benchmarks

Benchmarks MMLU/GSM8K

🎯核心定义

四大代表性基准覆盖不同能力维度:(1) MMLU——57 个学科多项选择题,5-shot CoT 测世界知识与推理广度;(2) GSM8K——8000 道小学数学应用题,必须逐步推理(CoT 收益最大),测算术与多步推理;(3) HumanEval——164 道手写 Python 函数补全题,用 pass@k 度量代码生成:

\text{pass}@k = 1 - \binom{n-c}{k} / \binom{n}{k}

(n 个采样中 c 个通过);(4) IFEval——可验证的指令遵循(格式、长度、关键字约束),测指令跟随而不是答对题目。

💡使用场景

模型选型与版本对比(同测 5-shot 设置);论文基线报告;SFT/RL 后的回归测试;面试必问"各基准测什么能力"以及"分数接近饱和怎么判断谁更强"。

⚡解决的核心痛点

单一大盘数据无法覆盖能力空间;四个基准分别锚定知识广度、数学推理、代码生成、指令遵循四个维度。但闭卷选择题已接近饱和(部分榜单 >95%),且存在训练数据污染——公开题面被预训练集吸收后分数失真,需 MMLU-Pro/GSM-Plus 等更难变体与防泄漏评测。

🎯核心面试考点体系 (Exam Points)

基础原理 · 工业场景 · 深入排雷

基础·定义

请阐明【评测基准 MMLU/GSM8K】的本质定义、底层数学/架构运作机制与关键原理。

基础·场景

在实际工业生产体系中，【评测基准 MMLU/GSM8K】适用于哪些典型场景？解决了什么核心工程痛点？

🔥 高频进阶实战考点 (Top 5 Deep-Dive Questions)

MMLU、GSM8K、HumanEval、IFEval 各自测什么能力?为什么用 5-shot 而非 zero-shot?

pass@k 公式如何推导?n 个采样中 c 个通过时 pass@k 为什么用组合数表示?

基准饱和的表现与成因是什么?有哪些应对(更难变体、动态评测、防泄漏)?

数据污染如何检测与规避?去重、公开时间线、held-out 集分别怎么做?

GSM8K 上 CoT 收益大但简单换行也有效——说明什么?评测时如何控制提示敏感性?

📖 关联深度指南:📄 llm-foundations-and-sota →

更新于 2026-08-12

🎯

检验攻克程度：针对「评测基准 MMLU/GSM8K」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。

🚀 开始本考点专项刷题 ➔

← 上一个知识点Agent 与工具调用下一个知识点 →自动指标 vs LLM-Judge

评测基准 MMLU/GSM8K

🔗 更多 大语言模型 知识点卡片

🔗 更多大语言模型知识点卡片