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。
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
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。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
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。
SuperCLUE
中文通用大模型综合性测评基准，2025 年 3 月版包含 1509 道原创新题，每 2 个月 100% 替换题库。
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。
Arena
基于真实用户对战投票的AI模型排行榜
Chatbot Arena
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。
暂无评论...