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。
大规模多任务语言理解基准测试，衡量多学科问题性能。
数据统计
相关导航
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
MLPerf Inference
机器学习推理性能的行业标准基准。
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。
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。
SuperGLUE
更具挑战性的通用语言理解评估基准。
Aider Leaderboard
专注代码编辑能力的 LLM 排行榜，评估模型在实际编程任务中的表现。
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。
暂无评论...