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。
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。
数据统计
相关导航
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。
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。
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。
Arena
基于真实用户对战投票的AI模型排行榜
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。
OpenCompass (司南)
国内领先的开源大模型评测体系。
暂无评论...