HumanEval 排行榜
评估代码生成能力的基准测试。
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。
数据统计
相关导航
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。
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。
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。
MLPerf Inference
机器学习推理性能的行业标准基准。
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。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
暂无评论...