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。
机器学习推理性能的行业标准基准。
数据统计
相关导航
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。
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。
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。
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。
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。
HumanEval 排行榜
评估代码生成能力的基准测试。
暂无评论...