Arena
基于真实用户对战投票的AI模型排行榜
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。
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。
SuperGLUE
更具挑战性的通用语言理解评估基准。
MLPerf Inference
机器学习推理性能的行业标准基准。
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。
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。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
暂无评论...