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。
国内领先的开源大模型评测体系。
数据统计
相关导航
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。
MLPerf Inference
机器学习推理性能的行业标准基准。
MMLU 排行榜
大规模多任务语言理解基准测试，衡量多学科问题性能。
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。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
Open LLM Leaderboard
Hugging Face 开放大语言模型排行榜，追踪评估领先开源模型。
暂无评论...