AI评测基准不是"考试分数"那么简单：

三大基准

  • MMLU——57学科知识测试，最广泛引用，但数据污染严重
  • HELM——斯坦福出品，多维度评估(准确率+偏见+毒性+效率)，最全面
  • LiveBench——持续更新防数据污染，LMSYS维护，最可靠

读评测的黄金法则：1) 单一基准不够；2) 关注基准是否被污染；3) 看胜率不是看总分；4) 实际任务测试最重要。

编译来源：Nature Machine Intelligence (2026)