基准测试

用于量化比较模型能力的标准化任务与评分体系。

基准测试覆盖数学、代码、推理、知识问答等维度，如 MMLU、HumanEval、GPQA 等。榜单分数是选型的重要参考，但存在数据污染与难度饱和问题，需结合真实场景评估。