跳到正文

Humanity's Last Exam

面向语言模型的多学科学术基准测试

访问官网

Humanity's Last Exam 是什么

Humanity's Last Exam 被介绍为由全球专家合作开发的多模态基准测试,用于衡量大型语言模型在学术领域的表现,难度较高。

你可以用它做什么

  • 评估并比较不同语言模型的学术表现
  • 从测试结果发现模型弱点
  • 把结果作为了解 AI 进展的参考

如何开始

  • 访问官网了解测试信息和规则
  • 下载公开数据集做初步评估
  • 提交结果获取量化评估指标

优点与缺点

✓ 我们认可的地方

  • 保留私有测试集以防止过拟合
  • 提供准确率和校准误差的量化评估

! 需要留意的地方

  • 部分问题作为私有测试集不公开
  • 评估通过列出的指标呈现

常见问题

有多少道题?

资料写明 3000 个问题,覆盖超过 100 个学科。

衡量什么?

资料列出准确率和校准误差。

最后评测: 2026-11-15

更多 大模型 API 平台 工具

查看全部 →

评测方法