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。
斯坦福大语言模型整体评估框架，多场景多指标全面评估。
数据统计
相关导航
AIME 2025
2025 美国数学竞赛邀请赛，专门测试大模型的高级数学推理能力。
HumanEval 排行榜
评估代码生成能力的基准测试。
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。
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。
OpenCompass (司南)
国内领先的开源大模型评测体系。
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。
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。
暂无评论...