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。
评估指令遵循模型能力的自动化评估排行榜。
数据统计
相关导航
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。
Vellum Leaderboard
显示 2024 年 4 月后最新 SOTA 模型的公开基准性能，包含独立评测数据。
SuperGLUE
更具挑战性的通用语言理解评估基准。
Artificial Analysis
对比 100+ AI 模型的智能、价格、性能、速度和上下文窗口等关键指标。
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。
Arena
基于真实用户对战投票的AI模型排行榜
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。
暂无评论...