LLM-Stats
每日更新的 AI 模型综合排行榜，对比 LLM/TTS/STT/视频/图像/嵌入模型的性能、价格和上下文窗口。
基于人类偏好的匿名聊天机器人对战和排行榜，采用 Elo 评分系统。
数据统计
相关导航
SimpleQA
OpenAI 发布的事实性评测基准，4326 道简短问答题，顶级模型得分仅 40%+，挑战性极高。
LiveSWEBench
实时软件工程基准测试，评估 AI 在真实代码库中解决问题的能力。
FRAMES
Google 推出的 RAG 系统评测基准，824 道多跳问题，测试检索准确性和推理能力。
LiveBench
2025 最新！防污染的动态评测平台，每月更新题库，覆盖数学、编程、推理等 6 大类 960 题。
MLPerf Inference
机器学习推理性能的行业标准基准。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
Stanford HELM
斯坦福大语言模型整体评估框架，多场景多指标全面评估。
暂无评论...