HumanEval 排行榜
评估代码生成能力的基准测试。
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。
数据统计
相关导航
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
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。
SuperGLUE
更具挑战性的通用语言理解评估基准。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
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。
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。
暂无评论...