MBPP (EvalPlus)
基础 MBPP 集经 EvalPlus 工具评测（0-shot）
基本信息
30 秒看懂
原 MBPP 数据用 EvalPlus 工具链以 0-shot 口径评测，pass@1（0-100，越高越好）；题面为入门级 Python，主要作基础代码能力筛查，读分时与 HumanEval 系并列看。
采用格局：Meta Llama 3.1 引用；Meta eval_details 将其与 MBPP（3-shot）分列，非 MBPP+ 扩展集
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布（收录 3 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
2024
2024-07-23
Meta / Llama·国际
本发布含 3 个变体，各变体规格见模型详情。
Meta 以「迄今最强模型」发布 Llama 3.1 系列，405B 为首个前沿级开源模型（dense decoder-only）。评测覆盖知识、数学、编码、多语言与长上下文，亮点如 MMLU 88.6%、GSM8K 96.8%。
开源权重长上下文多语言旗舰
查看模型变体与证据
Llama 3.1 405B · base, 0-shot 88.6Llama 3.1 8B · base, 0-shot 72.8Llama 3.1 70B · base, 0-shot 86
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。